一种利用时间序列数据的新方法,以改善COVID-19重症患者的亚表型和应用
Wonsuk Oh1, Pushkala Jayaraman2, Pranai Tandon3
1Charles Bronfman Institute for Personalized Medicine, Icahn School of Medicine at Mount Sinai, New York, NY, USA; Hasso Plattner Institute for Digital Health at Mount Sinai, Icahn School of Medicine at Mount Sinai, New York, NY, USA; Division of Data-Driven and Digital Medicine, Department of Medicine, Icahn School of Medicine at Mount Sinai, New York, NY, USA.
Artificial intelligence in medicine
|February 7, 2024
概括
这项研究引入了一种新的多变量莱文斯坦距离,用于分析时间序列数据,通过更好地捕捉患者数据中的时间模式来改善COVID-19等疾病的计算子类型.
科学领域:
- 计算生物学是一种计算生物学.
- 医学中的数据科学.
- 生物统计学 生物统计学
背景情况:
- 计算子类型识别对于理解疾病异质性至关重要.
- 目前的方法主要集中在横截面数据上,忽视时间动态.
- 时间序列数据为发现动态疾病亚型提供了丰富的潜力.
研究的目的:
- 为时间序列数据分析引入一种新的距离度量.
- 开发一种使用时间数据计算子类型的方法.
- 为了解决时间序列数据在疾病亚型化中的未充分探索的潜力.
主要方法:
- 开发了多变量列文斯坦距离 (MLD) 算法.
- 集成了一个最佳值得分,以加强实例歧视.
- 应用的MLD与k-means集群到COVID-19患者时间序列数据.
主要成果:
- 在时间序列数据中,MLD有效量化了跨多个离散特征的距离.
- 使用MLD进行集群,与标准方法相比,表现优越.
- 在重症COVID-19患者中确定了时间子类型.
结论:
- MLD是一种用于多变量时间序列分析的新且有效的指标.
- 拟议的方法通过结合时间信息来增强计算子类型.
- 这种方法为动态患者数据提供了更好的集群性能.
