在肺癌患者中循环治疗事件的时间表征和可视化

科学领域:

• * 计算生物学和生物信息学
• * 卫生信息学和机器学习
• * 癌症研究和精准医学.

背景情况:

• * 序列模式挖掘 (SPM) 对于理解医疗保健中的事件序列至关重要.
• *将旋转事件和时间动态集成到SPM中仍然是一个挑战.
• * 针对健康结果的机器学习 (MLHO) 为健康数据分析提供了一个框架.

研究的目的:

• * 开发和验证一个工作流程,将循环事件纳入过渡顺序模式挖掘 (tSPM+) 算法.
• *通过时间分析功能增强健康结果的机器学习 (MLHO) 框架.
• *在现实世界临床队列中展示这种综合方法的应用和益处.

主要方法:

• * 开发一个全面的工作流程,将循环事件集成到STPM+.
• * 应用特征工程和可视化技术来捕获时间关系.
• *使用表皮生长因子受体 (EGFR) 肺癌患者队列进行验证.

主要成果:

• * 在MLHO框架内,成功将旋转事件集成到 tSPM+ 算法中.
• * 已证明特征工程和可视化在识别时间模式方面的有效性.
• *从一个小的EGFR肺癌队列中获得了可靠的时间见解.

结论:

• * 拟议的工作流有效地捕捉了医疗保健数据中的时间细微差别.
• *这种方法提高了疾病的理解,并支持个性化的患者护理策略.
• * 时间分析对于推进精准医学和改善健康结果至关重要.