Análisis integrador e imputación de múltiples flujos de datos mediante procesos gaussianos profundos

Área de la Ciencia:

• Informática Biomédica
• Aprendizaje Automático
• Medicina de Cuidados Intensivos

Sus antecedentes:

• Los datos sanitarios, especialmente los de cuidados intensivos, presentan desafíos: mediciones fisiológicas relacionadas tratadas de forma independiente, tiempos de muestreo irregulares y valores faltantes prevalentes.
• Los métodos de imputación existentes a menudo descuidan la naturaleza temporal de los datos y no proporcionan estimaciones de incertidumbre para las predicciones.

Objetivo del estudio:

• Abordar los desafíos de los valores faltantes en el análisis de datos de cuidados intensivos.
• Introducir un método novedoso para manejar datos faltantes que aprovecha la información longitudinal y transversal.
• Proporcionar estimaciones de incertidumbre para los valores imputados en datos sanitarios de series temporales.

Principales métodos:

• Emulación de procesos gaussianos profundos con imputación estocástica.
• Aprovechamiento de las relaciones de datos longitudinales y transversales.
• Cuantificación de la incertidumbre en los valores imputados.

Principales resultados:

• El método propuesto supera a las técnicas convencionales como la Imputación Múltiple con Ecuaciones Encadenadas (MICE), la imputación por último valor conocido y los Procesos Gaussianos (GP) individuales.
• Demostró un rendimiento superior en un conjunto de datos clínicos.
• Manejó con éxito los valores faltantes preservando las características temporales de los datos y proporcionando incertidumbre.

Conclusiones:

• La emulación de procesos gaussianos profundos con imputación estocástica es un método robusto para analizar datos de cuidados intensivos con valores faltantes.
• El enfoque mejora la fiabilidad del análisis de datos sanitarios al incorporar la dinámica temporal y la cuantificación de la incertidumbre.
• El método ofrece una mejora significativa con respecto a las estrategias de imputación existentes para conjuntos de datos clínicos complejos.