A genetic algorithm-optimized EWMA control chart integrating machine learning-based risk prediction for multistage thyroid cancer treatment monitoring.

چکیده اصلی

Effective monitoring of thyroid cancer treatment requires timely detection of clinically meaningful changes across complex, multistage care pathways. Traditional monitoring approaches often rely on static thresholds and periodic assessments, limiting their sensitivity to subtle yet important process deviations and potentially delaying clinical intervention. This study aimed to develop and evaluate an integrated, data-driven framework that combines deep learning-based risk prediction with genetic algorithm-optimized statistical process monitoring to enhance thyroid cancer treatment surveillance. Informative clinical variables were first identified using the Information Functions algorithm, and a Multilayer Perceptron (MLP) neural network was then employed to predict patient-specific treatment risk, capturing nonlinear relationships within longitudinal electronic medical record data. The resulting risk estimates were sequentially incorporated into Exponentially Weighted Moving Average (EWMA) control charts to enable continuous process monitoring. To further improve chart performance, a genetic algorithm was used to optimize EWMA parameters, enhancing accuracy and sensitivity while maintaining chart stability. The results demonstrate that the MLP model outperforms conventional machine learning approaches in risk prediction across multiple evaluation metrics. Genetic algorithm-optimized EWMA charts exhibit smoother trajectories, improved stability, and more reliable detection of clinically meaningful deviations compared with non-optimized charts. The consistency of these improvements across multiple features suggests that GA-based optimization enhances overall control chart performance rather than feature-specific behavior. This hybrid framework demonstrates the feasibility of integrating machine learning-derived risk prediction with optimized statistical process control for longitudinal treatment monitoring. The proposed approach supports proactive treatment surveillance, risk-stratified follow-up, timely clinical intervention, and data-driven decision-making in thyroid cancer care. Furthermore, the framework has the potential to enable continuous and adaptive monitoring across complex multi-stage treatment pathways if integrated with electronic medical record (EMR) systems in future implementations.

ترجمه فارسی چکیده

نظارت مؤثر بر درمان سرطان تیروئید نیاز به تشخیص سریع تغییرات بالینی معنی‌دار در مسیرهای مراقبت پیچیده و چندمرحله‌ای دارد. رویکردهای سنتی اغلب بر آستانه‌های ثابت و ارزیابی‌های دوره‌ای تکیه می‌کنند که حساسیت آن‌ها را به انحرافات فرایندی ظریف اما مهم محدود می‌کند و ممکن است مداخله بالینی را به تأخیر بیندازد. این مطالعه هدف توسعه و ارزیابی یک چارچوب داده‌محور ادغامی را داشت که پیش‌بینی ریسک مبتنی بر یادگیری عمیق را با نظارت فرایندی آماری بهینه‌شده با الگوریتم ژنتیک ترکیب می‌کند. متغیرهای بالینی اطلاع‌رسان ابتدا با استفاده از الگوریتم توابع اطلاعاتی شناسایی شدند و سپس از یک شبکه عصبی چندلایه (MLP) برای پیش‌بینی ریسک درمان بیمار-محور استفاده شد. برآوردهای ریسک حاصل به ترتیب در نمودارهای کنترل میانگین متحرک وزن‌دهی نمایی (EWMA) ادغام شدند. برای بهبود بیشتر عملکرد نمودار، از الگوریتم ژنتیک برای بهینه‌سازی پارامترهای EWMA استفاده شد. نتایج نشان می‌دهند که مدل MLP در پیش‌بینی ریسک در چندین شاخص ارزیابی از رویکردهای یادگیری ماشین سنتی برتری دارد. نمودارهای EWMA بهینه‌شده با الگوریتم ژنتیک مسیرهای نرم‌تری، پایداری بهبود یافته و تشخیص قابل‌اعتمادتر انحرافات بالینی معنی‌دار را نسبت به نمودارهای بهینه‌نشده نشان می‌دهند. این پایداری در ویژگی‌های متعدد نشان می‌دهد که بهینه‌سازی مبتنی بر GA عملکرد کلی نمودار کنترل را بهبود می‌دهد نه رفتار ویژه یک ویژگی. این چارچوب هیبریدی قابلیت ادغام پیش‌بینی ریسک مبتنی بر یادگیری ماشین با کنترل فرایندی آماری بهینه‌شده را برای نظارت طولی بر درمان نشان می‌دهد. رویکرد پیشنهادی نظارت فعال، پیگیری بر اساس ریسک، مداخله بالینی及时的 و تصمیم‌گیری مبتنی بر داده را در مراقبت از سرطان تیروئید پشتیبانی می‌کند.

متن کامل اصلی