从急性创伤性脑损伤患者的生理数据的子空间聚类:基于PROTECT III试验的回顾性分析

科学领域:

• 生物医学数据分析
• 机器学习在医疗保健中的应用
• 数字健康技术数字健康技术

背景情况:

• 随着数字健康的进步,医学中的机器学习应用正在不断增长.
• 住院患者数据丰富,但往往缺乏用于二级研究的可操作的见解.
• 创伤性脑损伤 (TBI) 是导致死亡和残疾的主要原因.

研究的目的:

• 将无监督机器学习应用于创伤性脑损伤 (TBI) 数据.
• 在TBI患者数据中演示子空间聚类来提取模式.
• 提高对TBI患者异质性的理解.

主要方法:

• 利用了882名在创伤性脑损伤 (PROTECT III) 试验中的孕激素患者的数据.
• 应用的子空间聚类方法:基于密度,基于细胞和以聚类为导向.
• 对比了不同集群算法的性能.

主要成果:

• 确定了三种不同的生理数据集群: (1) INR, (2) INR/化物/肌素, (3) 血红蛋白/血.
• 所有子集群算法都在预测死亡率方面显示出合理的准确性.
• 基于密度的算法实现了更高的F1得分和覆盖范围.

结论:

• 聚类对于在TBI等异质临床领域的表型定义和验证至关重要.
• 结果支持开发可扩展的集群算法用于TBI研究.
• 解决了TBI临床试验失败的一个关键原因.