深层嵌入式集群可通用性和适应性,用于整合混合数据类型:两个重症监护队列

科学领域:

• 机器学习 机器学习
• 数据科学数据科学数据科学
• 医疗信息学 医疗信息学

背景情况:

• 深度嵌入式集群 (DEC) 对于具有非线性关系的大数据集是有效的.
• 标准的DEC模型在混合数据类型 (数值和分类) 中遇到困难.
• 在外部数据集上验证集群模型的通用性至关重要,但往往不足.

研究的目的:

• 为了适应深层嵌入式集群 (DEC) 处理混合数据类型.
• 引入和验证一个名为X-DEC的新型改编,利用X形变量自编码器 (XVAE).
• 评估DEC和X-DEC在患者聚类中的内部和外部有效性.

主要方法:

• 通过将其自编码器替换为X形变量自编码器 (XVAE) 来调整DEC.
• 优化过度参数,以提高集群稳定性.
• 对比了DEC的性能和适应的X-DEC模型在重症监护病人的数据.
• 在开发数据集上通过集群稳定性评估内部有效性.
• 通过在独立验证数据集上测试集群通用性来评估外部有效性.

主要成果:

• DEC和X-DEC都确定了临床上可识别和可概括的患者群.
• 与原来的DEC相比,适应的X-DEC模型显示了显著改善的集群稳定性.
• X-DEC成功集成了混合数据类型,解决了标准DEC模型的一个关键局限性.

结论:

• X-DEC模型为混合数据类型的集群提供了一个强大的解决方案.
• 与传统的DEC相比,X-DEC提供了比传统的DEC更稳定和更可概括的患者群.
• 这种增强的集群方法在医学信息学和人口健康研究中具有潜在的应用.