虚拟患者的计算机模拟降低了数据集偏差,并改善了基于机器学习的ARDS从噪音异质ICU数据集的ARDS检测
Konstantin Sharafutdinov1,2,3, Sebastian Johannes Fritsch3,4,5, Mina Iravani1,2,3
1Institute for Computational BiomedicineRWTH Aachen University 52062 Aachen Germany.
IEEE open journal of engineering in medicine and biology
|August 26, 2024
概括
机械虚拟患者 (VP) 建模通过减少多中心数据的偏差来增强机器学习,改善疾病预测和患者队列发现,例如急性呼吸系统应急综合征 (ARDS).
科学领域:
- 计算生物学是一种计算生物学.
- 医疗信息学医学信息学
- 机器学习 机器学习
背景情况:
- 机器学习 (ML) 模型对预测疾病进展充满希望,但由于单个中心数据的局限性,它难以进行概括.
- 多中心数据集提高了ML的概括性,但从机构间的数据异质性引入了偏差.
研究的目的:
- 为了证明机械虚拟患者 (VP) 建模如何可以减轻异质多中心数据集中的偏差.
- 提高医疗保健中的ML模型的稳定性和临床适用性.
主要方法:
- 利用机械VP建模来捕捉患者特定的动态并减少数据集偏差.
- 应用VP建模用于通过对疑似急性呼吸困扰综合征 (ARDS) 患者的模型参数进行个性化数据增强.
- 在原始与VP模型衍生的数据上比较无监督学习 (集群).
主要成果:
- 与原始患者数据相比,来自VP模型的数据产生了更强大的集群配置.
- 基于VP模型的集群有效地减少了来自多中心数据来源的偏差.
- 使用VP模型方法发现了具有显著ARDS丰富性的额外患者集群.
结论:
- 机械VP建模显著减少了ML异质数据集固有的偏差.
- VP建模可以更好地发现纯粹基于疾病的患者队列,从而提高临床相关性.
