电子健康记录的深度集群用于临床解释的表格数据

科学领域:

• 医疗信息学医学信息学
• 机器学习在医疗保健中的应用
• 无监督学习用于患者分层.

背景情况:

• 监督机器学习依赖于标记的数据,这在医学上往往是稀缺和昂贵的.
• 传统的无监督集群方法,如k-means,对于需要更深入的患者数据分析的临床应用提供了有限的见解.
• 现有的集群评估侧重于准确性,而不是临床解释性或数据均性.

研究的目的:

• 提出一种新的患者分层策略,使用临床变量,绕过诊断标签的需要.
• 为集群绩效建立强大的评估指标,重点关注集群内部的同质性和集群之间的统计差异.
• 将传统的集群算法与表式临床数据的深度学习方法进行比较.

主要方法:

• 基于深度学习的集群解决方案被开发用于表格患者数据.
• 使用衡量集群内部同质性和集群之间的统计分离的指标评估了集群性能.
• 深度聚类方法与k-means.等传统算法进行了比较.

主要成果:

• 深度集群方法表明,与k-means相比,集群内部的同质性和集群间的分离性更好.
• 三个统计学上不同的和临床上可解释的高血压患者群被确定.
• 提出的策略成功地使患者分层,而不依赖于明确的诊断标签.

结论:

• 开发的深度集群策略和评估指标使大队伍中有效的患者分层成为可能.
• 这种方法通过利用未标记的临床数据来获得更深入的患者洞察力,促进了健康科学研究.
• 这些发现凸显了深度学习在临床环境中推进无监督患者数据分析的潜力.