使用多变量时间序列聚类来发现可概括的TBI表型

科学领域:

• 神经科学是一个神经科学.
• 数据科学数据科学数据科学
• 医疗信息学 医疗信息学

背景情况:

• 创伤性脑损伤 (TBI) 是高度异质的,使患者的分层和治疗复杂化.
• 现有的TBI表型化方法往往缺乏跨不同人群和环境的概括性.
• 确定一致的TBI表型对于推进个性化医学的发展至关重要.

研究的目的:

• 使用多变量时间序列聚类开发和验证一种可泛化的TBI表型化方法.
• 在各种临床数据集中识别不同的,可重现的TBI表型.
• 探索已识别的表型,临床表现和年龄等人口因素之间的关系.

主要方法:

• 采用自主监督的基于学习的方法,以集群多变量时间序列数据,缺少值 (SLAC-Time).
• 应用SLAC-Time对两个不同的数据集:以研究为重点的TRACK-TBI和现实世界的MIMIC-IV.
• 验证了聚类方法的稳定性和通用性,并在数据集中确定了表型.

主要成果:

• 通过SLAC-Time方法,在TRACK-TBI和MIMIC-IV数据集中展示了一致的最佳超参数和集群数.
• 确定了三种可概括的TBI表型 (α,β和γ),具有明显的临床和时间特征.
• 现型α的特征是轻度TBI,具有多种表现的β重度TBI和γ中度TBI;年龄是死亡率的重要因素,但不是核心现型特征.

结论:

• SLAC-Time方法为TBI表型化提供了一个稳定和可通用的方法.
• 三种已识别的表型为理解TBI异质性的框架提供了框架.
• 这些发现支持了改善患者分层和针对性治疗策略在TBI护理中的潜力.