CN119452424A 用于疗法预测的模型生成设备以及相关联的方法和模型 （通 用电气健康护理有限公司）

PCT/US2022/0320752022.06.PCT/US2022/0320842022.06.2024.12.24PCT/US2023/0200682023.04.26WO2023/212116EN2023.11.02用于疗法预测的模型生成设备以及相关联公开了用于免疫疗法预测和处理的模型的回率的平衡可应用于毒性相关模型或疗效相关模型中的至少一个，以配置患者和/或患者群组2a)加载用于与免疫疗法相关联的选定毒性的毒性相关模型，所述毒b)响应于所述毒性相关模型的输出，确定患者选择准则以f)当所述毒性预测不满足所述患者选择准则时，生成第g)基于所述第一指示或所述第二指示来输出配置用于所述患者的所述治疗计划的医2.根据权利要求1所述的方法，还包括通过从自健康护理记录获得的输入数据集形成响应于所述疗效相关模型的第二输出，确定相对于所述患者和所述第二患者选择准则评估当所述毒性预测满足所述第一患者选择准则并且所述疗效预测满足所述第二患者选5.根据权利要求4所述的方法，还包括在与用于所述给定患者的所述疗效预测的比较7.根据任何前述权利要求所述的方法，其8.根据任何前述权利要求所述的方法，其中，9.根据任何前述权利要求所述的方法，其中3其中所述毒性预测为i)所述患者将遭受所述选定毒性的概率或ii)所述患者将不会遭受所12.根据任何前述权利要求所述的方法，其中，所述健康护理数据包括实验室测试结14.根据任何前述权利要求所述的方法，还包括使用用于所述患者的更新的健康护理a)加载与免疫疗法的疗效相关联的疗效相关模型，所述b)响应于所述疗效相关模型的输出，确定患者选择准则以c)使用所述疗效相关模型来处理来自用于给定患者的健康护理记录的健康护理数据，f)当所述疗效预测不满足所述患者选择准则时，生成第g)基于所述第一指示或所述第二指示来输出配置用于所述患者的所述治疗计划的医19.根据权利要求18所述的方法，还包括通过从自健康护理记录获得的输入数据集形20.根据权利要求18_19中任何所述的方法4响应于所述毒性相关模型的第二输出，确定使用所述毒性相关模型处理来自用于给定患者的健康护理记录的健康护理数相对于所述患者和所述第二患者选择准则评估当所述疗效预测满足所述第一患者选择准则并且所述毒性预测满足所述第二患者选22.根据权利要求21所述的方法，还包括在与用于所述给定患者的所述疗效预测的比述毒性预测为i)所述患者将遭受所述选定毒性的概率或ii)所述患者将不会遭受所述选定24.根据权利要求18_23中任何所述的方法，其25.根据权利要求18_24中任何所述的方法，其26.根据权利要求18_25中任何所述的方法，其值限定用于所述疗效相关模型的假阳性和假阴28.根据权利要求18_27中任何所述的方法，30.根据权利要求18_29中任何所述理数据和更新的疗效相关模型来重新评估所32.根据权利要求18_31中任何所述的方法33.一种包括指令的计算机可读介质，所述指令当被执行时使处理器电路系统实现权5a)至少通过以下步骤生成用于与免疫疗法相关联的选定毒ii)迭代地添加和移除一组附加特征中的每一个，以将所述初始模型调整为经调整的b)响应于所述毒性相关模型的输出，确定患者选择准则以f)当所述毒性预测不满足所述患者选择准则时，生成第g)基于所述第一指示或所述第二指示来输出配置所述患者36.根据权利要求35所述的方法，还包括通过将所述特征划分为内部和外部循环并根37.根据权利要求35_36中任何所述的方响应于所述疗效相关模型的第二输出，确定使用所述疗效相关模型来处理来自用于给定患者的健康护相对于所述患者和所述第二患者选择准则评估当所述毒性预测满足所述第一患者选择准则并且所述疗效预测满足所述第二患者选39.根据权利要求38所述的方法，还包括在与用于所述给定患者的所述疗效预测的比40.根据权利要求37_39中任何所述的方法，其中，所述疗41.根据权利要求35_40中任何所述的方法，其中，配置所述642.根据权利要求35_41中任何所述的方法，其中，配置所43.根据权利要求35_42中任何所述的方法，其中，配置所值限定用于所述毒性相关模型的假阳性和假阴45.根据权利要求35_44中任何所述的方法，其中，所述炎，且其中所述毒性预测为i)所述患者将遭受所述选定毒性的概率或ii)所述患者将不会46.根据权利要求35_45中任何所述的方法，其中，所述47.根据权利要求35_46中任何所述的方法，还包括相对48.根据权利要求35_47中任何所述的方法，还包括理数据和更新的毒性相关模型来重新评估所50.根据权利要求35_49中任何所述的方51.一种包括指令的计算机可读介质，所述指令当被执行时使处理器电路实现权利要a)至少通过以下步骤生成预测免疫疗法的疗ii)迭代地添加和移除一组附加特征中的每一个，以将所述初始模型调整为经调整的b)响应于所述疗效相关模型的输出，确定患者选择准则以c)使用所述疗效相关模型来处理来自用于给定患者的健康护理记录的健康护理数据，7f)当所述疗效预测不满足所述患者选择准则时，生成第g)基于所述第一指示或所述第二指示来输出配置用于所述患者配置所述治疗计划的54.根据权利要求53所述的方法，还包括通过将所述特征划分为内部和外部循环并根55.根据权利要求53_54中任何所述的方响应于所述毒性相关模型的第二输出，确定使用所述毒性相关模型处理来自用于给定患者的健康相对于所述患者和所述第二患者选择准则评估当所述疗效预测满足所述第一患者选择准则并且所述毒性预测满足所述第二患者选57.根据权利要求56所述的方法，还包括在与用于所述给定患者的所述疗效预测的比述毒性预测为i)所述患者将遭受所述选定毒性的概率或ii)所述患者将不会遭受所述选定59.根据权利要求53_58中任何所述的方法，60.根据权利要求53_59中任何所述的方法，其中，61.根据权利要求53_60中任何所述的方法，其中，值限定用于所述疗效相关模型的假阳性和假阴63.根据权利要求53_62中任何所述的方法，其中65.根据权利要求53_64中任何所述的方法，还包健数据和更新的疗效相关模型来重新评估所867.根据权利要求53_66中任何所述的方法，其中68.根据权利要求53_67中任何所述的方法，还包69.一种包括指令的计算机可读介质，所述指令当被执行时使处理器电路系统实现权9[0001]本专利要求2022年4月26日提交的美国临时专利申请序列号63/335215、2022年6月3日提交的国际申请号PCT/US2022/032075和2022年6月3日提交的国际申请号PCT/US2022/032084的优先权的益处，所述申请中的每个出于所有目的通过引用其整体结合在[0006]图2_14示出了图示使用图1的示例模型生成设备来执行指令以驱动操作的流程[0008]图16_18图示了用于根据图15的示例免疫疗法预测设备，用一个或多个模型处理[0012]图26是包括构造成执行示例机器可读指令和/或示例操作的处理器电路系统的示在要分配给例如零售商和/或分配给诸如直接购买客户之类的其他最终用户的产品中)相尽管个体特征可能被包括在不同的示例或权利要求中，但是这些特征可能可以被组合，并且包括在不同的示例或权利要求中不暗示着特征的组合是不可行的和/或不利的。控制器和/或其他基于逻辑的装置，其基于存储在有形且非暂时性的计算机可读存储介质或多个DSP等和/或其组合)以及(一个或多个)应用编程接口((一个或多个)API)的异构计网络/深度神经网络可以是从训练网络生成并响应于输入而提供输出得部署的网络(例如，用于机器的大量未分类数据相比向机器提供来自人类来源的少量分类数据的机器学习训集中的相关对象和区域的受生物学启发的互联数据网络。CNN以多个阵列的形式评估原始疫细胞上的蛋白质)来保护自己免受攻击。为了靶向体内的癌细胞，免疫检查点抑制剂些示例预测了在开始第一次ICI治疗之前irAE肝炎的发作。更准确地说，某些示例预测了irAE肝炎是否将在第一次治疗开始后的给定的时间窗口内发生。可以类似地预测诸如肺些示例中，通过提取来自电子健康记录(EHR)数据表(例如，在处理器/处理电路系统处从他方式提供免疫检查点抑制剂(ICI)治疗的日期以供标签和/或时间序列两个分区上都具有更高性能的版本。通过将候选特[0053]某些示例提供了用于准备EHR和/或其他健康数据以供在基于机器学习的模型训[0054]某些示例提供了与ICI相关的预测模型构建，其中准备了来自多个来源的输入数据。可以从准备的数据中生成基准真实值(groundtruth)预测标签和/或可以专业地创建联的(一个或多个)预测可以为个体定制和/或被数据被混淆到通用模型以用于比较。在这样的数据上训练和测试的所得模型对于异常值、的数据(和/或患者之间的数据)对齐，以实现[0064]经处理的数据然后可用于预测预定义或以其他方式确定的时间窗口中的静态标实验室系统和/或其他数据来源的数据可以被预处理并被提供给模型以生成预测，所述预[0067]深度学习是一类采用表示学习方法的机器学习技术，其允许机器被给予原始数供有分类良好的数据的巨大集合的机器更好地被配备成辨别和提取与新数据的成功分类[0072]利用迁移学习的深度学习机器可将数据特征正确连接到由人类专家确认的某些第一模型或第二模型中的至少一个。示例模型存储电路系统140提供存储器电路系统来存储所选择的第一和/或第二模型。示例模型部署器电路系统150部署所选择的第一模型和/或第二模型以预测由于根据患者的治疗计划的免疫疗法而发生的毒性的可能性，诸如肺个或多个外部系统160的数据。示例模型生成器设备100然后使用模型训练器电路系统120[0085]在某些示例中，输入数据处理器110将输入数据值规则化至正常的上限，使得值多个)特征可围绕所述常见或参考事件对齐以用于模型开发和预测)对时间序列数据进行(或患者在开始免疫疗法后的5年仍存活的知识)可用于将所有患者与作为锚点的他们的免标识数据的特征等等可以形成用于模型训练的标签和/或其他统计描述符创建的基础。例[0091]示例模型训练器电路系统120使用特征和/或其他数据来训并评估由每个模型生成的预测的可能性。这样的评定/评估可用于选择要部署的一个或多署模型来驱动工具，以评估与患者和/或患者群体等的免疫疗法相关联的疗效和/或毒性。和/或毒性模型预测可以与患者的更新疗效和/或毒性模型预测一起使用(例如，在先前和[0095]图2_14是代表可存储在存储器电路系统中并可由处理器电路系统执行以实现和致动图1的示例模型生成设备100的计算机可读指令的示例过程的流程图。图2的示例过程征集合和/或从输入处理器电路系统110提供的其他输入与相关联的数据来训练多个AI模择的模型也可以由模型存储电路系统140存储，因[0100]在框260处，一个或多个选择的模型由模型部署器电路系统150部署至外部系统疫疗法相关联的毒性和/或其他副作用预测等。这样的请求可以驱动对具有某种特性的模足一个或多个准则。以基于模型相对于一个或多个准则如何执行和/或输出的评估来选择单个模型用于部署。[0108]图5图示了用于模型构建和评估的示例顺序规程500(例如，通过开发特征集等已经相应地评估了特征，就使用第二数据分区525来测试所得的模型性能。如果两个循环部循环524上评估模型性能。因此，初始特征集Ml或扩展特征集M2可以被选择用于模型训风险预测数据集635可以包括每个血液测试值历史的免疫相关肝炎不良事件风险预测。也[0114]图7图示了用于构建示例分类模型的示例过程700。在框710处，来自输入数据集验证(诸如在使用输入数据集705的嵌套交叉验证否在第二个分区上是否优于例如，可以基于p值来评估和所述p值表示候选套交叉验证(CV)来评估最终选择的模型Mf或的性能。如图9的示例所示，输入数据集[0121]图10图示了从多个来源准备数据以供在机器学习和/或其他AI模型训练中使用的集1005中生成数据。可以从多个结构化和/或非结构化数据来源收集数据以形成数据集据结构的模型不可知的非聚合表可以用于特征过滤和向量生成。患者向量和/或未聚合的以包括由输入域分隔并保留时间结构的一个或多个数据治疗(例如第一次免疫疗法治疗的日期)等)可[0131]图13图示了构建与ICI相关的疗效的预测模型的示例过程1300。这样的模型可以ICI治疗开始的第一个日期。生成的基准真实值标签可以按原样使用和/或以修改的粒度可用数据点可以产生成千上万的输入，但基线评估可以产生10_12个有益的特征输入以用患者和/或患者群体等的免疫疗法相关联的疗效和/或毒性。使用一个或多个部署的模型，期性地从模型源1560获得一个或多个模型(例如，经由推取和/或拉送等)并存储在存储器检查记录触发等)请求根据需要从数据源1565获得，以存储在存储器电路系统1520的数据[0146]存储在模型存储库(store)1522中的(一个或多个)模型已经由另一个系统(诸如理器电路系统1530和/或由输入处理器电路系统1510选择一个或多个模型以供在示例设备确定患者的免疫疗法治疗计划的疗效。可以选择相同和/或不同的模型来确定患者的免疫等等。模型可以是具有低精度的高召回率、具有高精度的低召回率、最大化调和平均值[0148]模型处理器电路系统1530使用一个或多个选择的模型(例如，来自输入处理器电数据存储装置1522等)。模型处理器电路系统1530基于一个或多个提供的输入产生一个或征可以形成患者特征集合，所述患者特征集合识别和/或分类使用模型处理器电路系统[0151]由模型处理器电路系统1530将患者特征和/或其他患者输入应用于一个或多个选型预测输出作为对毒性模型的输入、提供毒性模型预测输出作为对疗效模型的输入等)等[0152]来自模型处理器电路系统1530的(一个或多个)模型的输出被提供给输出生成器电路系统1540，所述输出生成器电路系统1540处理(一个或多个)模型的预测和/或其他输出。例如，来自模型处理器电路系统1530的多个模型的输出可以由输出生成器电路系统1540可以对输出进行后处理以验证输出，将当前输出与先前和/或其他当前输出预测进行1540可以将模型输出与诸如图像数据等的其他数据相关联，以产生合格的或完善的输出路系统1540可以利用伴随输出的解释来驱动与治疗计划、临床试验和/或患者的其他下一可以代表基于用于生成模型的数据和相关联的特征和用患者选择阈值来设置模型输出的连续体中的点，在所述点发生动作或事件的触发或确[0155]例如，输出生成器电路系统1540可以将疗效和/或毒性的输出预测结合到患者的验可以被认为是涉及对多个患者的群组的免疫疗法的治疗计划。诸如基于增加的毒性概增加的毒性可能性，诸如在继续免疫疗法治疗过程的同时开类固醇以治疗患者内的肺炎、成器电路系统1540提供用于经由接口1550传输的输出，诸如图形地传输到外部系统1570，[0159]示例设备1500可以随时间为患者提供多个预测(例如，周期性地、在某些里程碑知(或者可能没有足够的可用的疗效相关数据来进行健康或共病等)进行加权或修改的毒性相关模型和疗效相关模型的组合，以确定毒性风险[0161]图16和17是表示可存储在存储器电路中并可由处理器电路系统执行以实现和致[0162]在框1620处，从模型存储装置1522和/或外部模型源1560等加载一个或多个模型模型处理器电路系统1530的一个或多个模型的输出由模型处理器电路系统1530进一步处(单独考虑或与患者护理、临床试验开发等的外部/附加关注相结合)可以被处理以生成患由输出生成器电路系统1540经由接口1550向外部系统1570输出用于将患者包括在免疫疗于包括/排除等的指示和指令的显示可以形成由输出生成器电路系统1540生成并经由接口[0168]图17图示了使用一个或多个模型来处理输入数据的示例实现的进一步细节(例[0171]由模型处理器电路系统1530将患者特征和/或其他患者输入应用于一个或多个选型预测输出作为对毒性模型的输入、提供毒性模型预测输出作为对疗效模型的输入等)等或多个)模型是否包括免疫疗法疗效和毒性的相关模型。模型处理器电路系统1530还可以路系统1530和/或输出生成器电路系统1540处理(一个个)预测模型输出可以与阈值进行比较和/或在其他情况下相对于(一个或多个)其他患者选择准则进行评估，以将预测转化为要采取的动作(例如，自动地和/或由临床医生采取生成器电路系统1540向接口1550提供可操作的输出以用于显示和/或向外部系统1570和/模型等)被部署为加载模型并将来自给定患者的健康护理记录的健康护理数据提供给该模[0176]图18图示了用于配置与患者相关联的临床试验或治疗计划的另一示例过程1800。[0179]阈值或其他患者选择准则用于定义与由模型提供的预测正确的置信度相关联的将会中毒的正确性，而另一个治疗计划可以优先考虑某人将不会出现经历毒性的正确性。度或优先级来选择这样的阈值或其他患者选择准则。[0186]如上面所描述的，可以针对单个模型和/或这针对相关模型集合来确定精度和召[0187]例如，单个毒性相关模型的预测输出可以基于设置在低阈值的患者选择准则/阈疗法检查点抑制剂(CPI)时，该日期1920可用作锚点来对齐用于模型训练和测试的聚集的人在这个治疗的同时遭受结肠炎等)并形成连接、权重和其他相关性的网络以生成概率输[0192]将阈值设置为患者选择准则指示精度和召回率之间的某种平衡(或二分法)对于且可以通过设置特定的患者选择准则/阈值来进一步细因为召回率2140几乎为1.0。然而，大多数预测的毒性是不正确的，用于训练模型的数据输入可以包括每个患者在第一次免疫疗法治疗前一年内的所有ICD_[0216]图22图示了结肠炎毒性模型的示例预测输出。图表的x轴22[0222]例如，如果在图22的示例中选常血红蛋白的血液频率、该时间范围内化疗相关程序的数量、低于/高于正常淋巴细胞数[0234]如图23的示例中所示，精度曲线2330和召回率曲线2340的交叉出现在大约0.28的总体可存活性模型或作为其补充的治疗疗效的另一个替代。图表的x轴2410对应于阈值曲线2430或召回率曲线2440上)。针对患者选择准则选择的阈值2410设置了点，在所述点[0240]例如，如果在图24的示例中选排除在临床试验、治疗计划等之外，当阈值2410根据模型的精度曲线2430和召回率曲线很差。因此，阈值2410可以被选择为例如将召回率2440最大化为1.0，因为除非召和/或模型选择准则的动态设置，以驱动由患者的医生包括以作为临床试验的一部分的患多个患者健康护理记录2510的患者健康护理数据被组织/管理在一个或多个数据存储库多个)图形处理单元((一个或多个)GPU)、(一个或多个)数字信号处理器((一个或多个)DSP)、(一个或多个)专用集成电路((一个或多个)ASIC)、(一个或多个)可编程逻辑装置((一个或多个)PLD)和/或诸如现场可编程门阵列(FPGA)之类的(一个或多个)现场可编程何组合可实现(一个或多个)系统和/或执算机可读存储介质诸如与位于一个或多个硬件装置中的处理器电路系统相关联的致密盘由除处理器电路系统之外的一个或多个硬件装置执行和/或体现在固件或专用硬件中。机造成在不执行软件或固件的情况下执行对应的操(IC)封装或两个或更多个单独外壳中等)的CPU和/或FPG全部或部分执行机器可读指令和/或对应的(一个或多个)程序之前可能需要配置机器可读读介质可以包括机器可读指令和/或(一个或多个)程序，而不管机器可读指令和/或(一个或多个)程序在存储或以其他方式静止或运输时的特定文中公开的示例操作，所述可执行指令被存储在一个或多个非暂态计算机和/或机器可读置和机器可读存储装置的示例包括任何类型的随机存取存储器、任何类型的只读存储器、[0257]图26是被构造成执行和/或实例化本文中公开和描述的机器可读指令和/或操作[0259]所图示的示例的处理器电路系统2612包括本地存储器2613(例如高速缓存、寄存2614和非易失性存储器2616)进行通信。易失性存储器2614可由同步动态随机存取存储器(SDRAM)、动态随机存取存储器(DRAM)、RAMBUS@动态随机存取存储器(RDRAMe)和/或多个)输入装置2622准许用户将数据和/或命令输入到处理器电路系统2612中。(一个或[0262]一个或多个输出装置2624也被连接到所图示的示例的接口电路系统2620。(一个或多个)输出装置2624能够例如由显示装置(例如发光二极管(LED)、有机发光二极管[0263]所图示的示例的接口电路系统2620还包括通信装置(诸如传送器、接收器、收发[0264]所图示的示例的处理器平台2600还包括存储软件和/或数据的一个或多个大容量易失性存储器2616中和/或诸如CD或DVD对应于本文中公开的机器可读指令和/或操作的一部分[0268]每个核2702可称作CPU、DSP、GPU等或者任何其他类型的硬件电路系统。每个核被构造成对于对应核2702内的数据执行一个或多个数学和/或逻辑操作的基于半导体的电术逻辑单元(ALU)。寄存器2718是用于存储数据和/或指令(诸如由对应核2702的AL电路系[0269]每个核2702和/或更一般地微处理器2700可包括上面所示和所描述的那些结构的或多个移位器(例如(一个或多个)桶式移位器)和/或其处理器电路系统的板上、在与处理器电路系统相同的芯片封装中和/或在一个或多个与处[0271]更具体地，与上面描述的图27的微处理器2700(其可以被编程为执行此处公开的机器可读指令中的一些或全部但是其互连和逻辑电路一旦被制作就是固定的通用装置)相比，图28的示例的FPGA电路系统2800包括可在制作之后以不同的方式配置和/或互连以实例化例如本文中公开的机器可读指令中的一些或全部的互连和逻辑电路系统。特别地，过互连来互连逻辑门，从而有效地形成一个或多个专路系统所接收的数据执行不同操作。那些操作可对应于本文中公开的软件中的一些或全用微处理器可以执行对应于机器可读指令中的一些或全部的操作时相比，FPGA电路系统2800可以更快地执行对应于机器可读指令中的[0272]在图28的示例中，FPGA电路系统2800被构造成由最终用户通过诸如Verilog之类示例输入/输出(I/O)电路系统2802，其用来从示例配置电路系统2804和/或外部硬件2806的至少一些的一个或多个操作和/或其他期望操作。图17中所示的逻辑门电路系统2808以关(例如晶体管)存在于逻辑门电路系统2808的每[0274]所图示的示例的存储电路系统2812被构造成存储由对应逻辑门所执行的操作中[0275]图28的示例FPGA电路系统2800还包括示例专用操作电路系统2814。在这个示例FPGA电路系统2800还可包括示例通用可编程电路系统2818，诸如示例CPU2820和/或示例例中，电路系统中的一些或全部可以在微处理器上执行的一个或多个虚拟机和/或容器内的处理器电路系统2700和/或图28的FPGA电路系统2800可处于一个或多个封装中。在一些[0278]图示用于将诸如图26的示例机器可读指令2632之类的软件分发给由第三方拥有和/或操作的硬件装置的示例软件分发平台2905的框图在图29中图示。示例软件分发平台或操作软件分发平台2905的实体可以是诸如图26的示例机器可读指令2632之类的软件的开发商、销售商和/或许可者。第三方可以是购买软件和/或许可软件以供使用和/或转售个或多个服务器和一个或多个存储装置。如上面所描述的，存储装置存储机器可读指令台2905的一个或多个服务器与示例网络2910通信，所述网络2910可对应于因特网和/或上可的付款可由软件分发平台的一个或多个服务器和/或由第三方支付实体处理。服务器使分发平台2905的一个或多个服务器周期性地提供、传送和/或强制对软件进行更新(例如，[0279]在一些示例中，可经由基于云的平台2905上传部署的模型和/或患者数据以远程现模型生成和部署以驱动用于疗法预测和治疗执行的过程，改进了使用计算装置的效率。示，诸如符号集合近似的修改版本等。示例特征工程子模块要从符号序列中提取作为n_练和评估AI模型以从固定长度的血液测试历史动态预测免疫相关的肝炎不良事件风险的[0285]示例系统和方法包括当M2在步骤3)中显著更好时，评定M2在保持的第二分区(例使用的多来源电子健康记录数据。示例方法和相关联的系统包括从多个来源准备输入数[0290]某些示例提供了用于为与免疫检查点抑制剂治疗相关的疗效替代端点构建预测从接收的电子健康记录(EHR)数据表中提取血液特征的相关部分来准备输入。这些是血浆一指示或所述第二指示来输出配置用于所述患者的所述治疗计划示或所述第二指示来输出配置用于所述患者的所述治疗计划[0299]示例3包括任何前述条款所述的方法，还包括通过从自健康护理记录获得的输入[0302]示例6包括任何前述条款所述的方法，还包括在与用于所述给定患者的所述疗效炎，且其中所述毒性预测为i)所述患者将遭受所述选定毒性的概率或ii)所述患者将不会理数据和更新的毒性相关模型来重新评估所示或所述第二指示来输出配置用于所述患者的所述治疗计示或所述第二指示来输出配置用于所述患者炎，且其中所述毒性预测为i)所述患者将遭受所述选定毒性的概率或ii)所述患者将不会值限定用于所述疗效相关模型的假阳性和假阴理数据和更新的疗效相关模型来重新评估所所述第二指示来输出配置用于所述患者的所述治疗计所述第二指示来输出配置用于所述患者的所述治疗计循环并根据所述模型选择准则比较所述循环来迭值限定用于所述毒性相关模型的假阳性和假阴炎，且其中所述毒性预测为i)所述患者将遭受所述选定毒性的