研究一种域调整方法,将不同的测量仪器集成到一个纵向临床注册表中

科学领域:

• 生物统计学 生物统计学
• 机器学习 机器学习
• 临床信息学 临床信息学

背景情况:

• 纵向临床注册表通常会随着时间的推移使用多种不同的测量仪器,使数据分析复杂化.
• 整合来自各种仪器的数据需要先进的统计和计算方法.

研究的目的:

• 研究基于深度学习的域调整,以创建来自不同测量仪器的纵向数据的联合隐藏表示.
• 评估域适应在纵向队列设置中的实用性,特别是脊髓肌缩 (SMA) 患者数据.

主要方法:

• 使用深度学习进行域调整,将不同测量仪器的项目映射到共同的潜空间.
• 使用普通微分方程 (ODEs) 在潜空间内的纵向轨迹建模,参数从基线特征推断出来.
• 通过合适性,复杂性分析和惩罚条款的整合来评估映射可行性和调整.

主要成果:

• 证明域调整可以恢复有意义的结构,即使仪器错位和状态依赖的可用性.
• 表明在复杂的场景中可以实现合理的映射,包括真实世界SMA数据.
• 在模拟场景中验证了方法,仪器差异不同程度.

结论:

• 域名适应显示了使用异质测量仪器对纵向注册表数据进行统计建模的巨大潜力.
• 提出的深度学习和基于ODE的方法为临床研究中的数据集成和轨迹建模提供了一个强大的方法.
• 这种方法可以增强复杂的纵向数据集的分析,即使不可能实现完美的仪器对齐.