在创伤数据集中提取频繁的模式,基于自动生成最小支和特征权重的自动生成

科学领域:

• 医疗信息学 医疗信息学
• 数据挖掘 数据挖掘
• 医疗数据分析 医学数据分析

背景情况:

• 数据挖掘技术,特别是频繁的模式发现,对于分析健康数据来诊断疾病和识别导致因素至关重要.
• 卡珊创伤注册表包含有价值的健康信息,可以从先进的数据挖掘方法中受益.

研究的目的:

• 通过使用新型数据挖掘方法,发现卡珊创伤登记数据中的频繁模式.
• 提高医疗保健数据集中频繁发现模式的效率和有效性.

主要方法:

• 利用了来自卡珊创伤登记处的真实世界数据.
• 应用了经典的阿普里奥里算法和频繁模式和规则提取的新方法.
• 在Python中开发了一种结合可变权重和平均值的新方法,用于自动计算最小支.

主要成果:

• 这种新方法动态计算最小支,与经典阿普里奥里算法的手动单值方法不同.
• 在内存消耗,执行时间以及发现的模式和规则的数量方面,新方法在经典的阿普里奥里算法上表现出优越的性能.

结论:

• 手动设置数据挖掘的最低支持是低效的,增加执行时间和内存使用量,特别是对于不熟悉数据集的用户.
• 这种新方法为创伤数据提供了宝贵的见解,突出了老年护理的重要性,公众对事故响应和摩托车安全的教育.
• 创伤登记册中经常发现的模式可以为公共卫生策略提供信息,并改善患者的治疗结果.