1. Ιδρυματικό Αποθετήριο Ακαδημαϊκής Έρευνας RUOMO
  2. Δημοσιεύσεις Μελών ΔΕΠ, Υποψηφίων Διδακτόρων & Μεταδιδακτόρων
  3. Τμήμα Οργάνωσης & Διοίκησης Επιχειρήσεων
Παρακαλώ χρησιμοποιήστε αυτό το αναγνωριστικό για να παραπέμψετε ή να δημιουργήσετε σύνδεσμο προς αυτό το τεκμήριο: https://ruomo.lib.uom.gr/handle/7000/1680
Πλήρης εγγραφή μεταδεδομένων
Πεδίο DCΤιμήΓλώσσα
dc.contributor.authorLaios, Alexandros-
dc.contributor.authorKalampokis, Evangelos-
dc.contributor.authorMamalis, Marios Evangelos-
dc.contributor.authorTarabanis, Constantine-
dc.contributor.authorNugent, David-
dc.contributor.authorThangavelu, Amudha-
dc.contributor.authorTheophilou, Georgios-
dc.contributor.authorDe Jong, Diederick-
dc.date.accessioned2023-11-03T07:28:20Z-
dc.date.available2023-11-03T07:28:20Z-
dc.date.issued2023-
dc.identifier10.1177/10732748231209892en_US
dc.identifier.issn1073-2748en_US
dc.identifier.issn1526-2359en_US
dc.identifier.urihttps://doi.org/10.1177/10732748231209892en_US
dc.identifier.urihttps://ruomo.lib.uom.gr/handle/7000/1680-
dc.description.abstractContemporary efforts to predict surgical outcomes focus on the associations between traditional discrete surgical risk factors. We aimed to determine whether natural language processing (NLP) of unstructured operative notes improves the prediction of residual disease in women with advanced epithelial ovarian cancer (EOC) following cytoreductive surgery.en_US
dc.language.isoenen_US
dc.rightsAttribution-NonCommercial-ShareAlike 4.0 International*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/4.0/*
dc.sourceCancer Controlen_US
dc.subjectFRASCATI::Medical and Health sciencesen_US
dc.subjectFRASCATI::Engineering and technologyen_US
dc.subject.otherepithelial ovarian canceren_US
dc.subject.othercompletecy to reductionen_US
dc.subject.otheroperative notesen_US
dc.subject.othernatural language processingen_US
dc.subject.othermachine learningen_US
dc.subject.othertransfer learningen_US
dc.subject.otherRoBERTaen_US
dc.subject.otherexplainable artificial intelligenceen_US
dc.titleRoBERTa-Assisted Outcome Prediction in Ovarian Cancer Cytoreductive Surgery Using Operative Notesen_US
dc.typeArticleen_US
dc.contributor.departmentΤμήμα Οργάνωσης & Διοίκησης Επιχειρήσεωνen_US
local.identifier.volume30en_US
Εμφανίζεται στις Συλλογές: Τμήμα Οργάνωσης & Διοίκησης Επιχειρήσεων

Αρχεία σε αυτό το Τεκμήριο:
Αρχείο Περιγραφή ΜέγεθοςΜορφότυπος 
laios-et-al-2023-roberta-assisted-outcome-prediction-in-ovarian-cancer-cytoreductive-surgery-using-operative-notes.pdf1,42 MBAdobe PDFΠροβολή/Ανοιγμα
Εμφανίστε την απλή εγγραφή


Αυτό το τεκμήριο προστατεύεται από Αδεια Creative Commons Creative Commons