整合无监督和监督学习技术来预测创伤性脑损伤:一个基于人口的研究

科学领域:

• 计算神经科学是一种计算神经科学.
• 公共卫生信息学 公共卫生信息学
• 机器学习在医疗保健中的应用

背景情况:

• 创伤性脑损伤 (TBI) 对健康造成重大负担.
• 识别与TBI相关的先前存在的疾病对于预防至关重要.
• 预测建模可以帮助理解TBI风险因素和外部原因.

研究的目的:

• 在TBI患者中识别先前存在的健康状况.
• 为第一个TBI事件及其外部原因开发预测模型.
• 为了利用无监督和监督的学习来预测TBI.

主要方法:

• 使用的安大略省医疗保险计划 (OHIP) 索赔数据为488,107名TBI患者和匹配的对照.
• 应用潜伏迪里克莱特分配 (LDA) 用于诊断代码的主题建模,识别了19个相关主题.
• 使用随机森林分类器,使用主题分数和社会人口统计因素来预测TBI事件和外部原因.

主要成果:

• 查发现了314个与TBI显著相关的诊断代码.
• LDA模型成功地揭示了疾病前期状况的模式.
• 在TBI事件 (AUC=0.85),跌倒 (AUC=0.85),受到撞击/撞击 (AUC=0.83) 和机动车辆碰撞 (AUC=0.83) 中获得了高预测性能.

结论:

• 机器学习模型可以有效地预测TBI及其外部原因.
• 该研究确定了先前存在的重大健康状况和导致TBI风险的因素.
• 这种方法证明了使用大规模健康数据用于TBI预测和预防策略的可行性.