双重集群多变量纵向数据,适用于运动相关脑震荡后白质的恢复轨迹
Caleb Weaver1, Luo Xiao1, Qiuting Wen2
1Department of Statistics, North Carolina State University.
Data science in science
|October 14, 2024
概括
这项研究引入了一种用于纵向数据的新双聚类方法,识别了随时间推移具有相似模式的个体和特征的子组. 该方法揭示了体育相关脑震荡 (SRC) 病例中明显的白质异常.
科学领域:
- 生物统计学 生物统计学
- 神经成像是一种神经成像.
- 数据挖掘 数据挖掘
背景情况:
- 双重集群识别了样本和具有类似行为特征的子集.
- 纵向数据分析对于理解随时间变化至关重要.
- 运动相关脑震荡 (SRC) 研究需要先进的分析方法来检测白质异常.
研究的目的:
- 为多变量纵向数据开发双聚类方法.
- 根据纵向模式对主体和特征进行分组,而不仅仅是大小.
- 在SRC病例中识别白质异常的独特模式.
主要方法:
- 提出了一种基于惩罚回归的方法,用于对纵向数据进行双重聚类.
- 在受试者和特征中利用纵向模式的异质性.
- 使用模拟研究和现实世界SRC数据集评估方法性能.
主要成果:
- 提出的方法成功地对多变量纵向数据进行了双聚类.
- 在SRC病例的子组中确定了纵向变化的明显模式.
- 揭示了与SRC相关的特定白质异常.
结论:
- 这种新的双聚类方法对于分析纵向神经成像数据是有效的.
- 这种方法可以揭示SRC的复杂模式,有助于了解疾病的进展.
- 突出了双聚类在神经疾病中识别特定生物标志物的实用性.
