通过纵向聚类来进行血症患者的时间表型和预后分层

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
• 数据科学是数据科学.

背景情况:

• 败血症呈现出复杂而异质的临床过程,使得早期干预和量身定制的治疗具有挑战性.
• 了解不同患者群体的败血症进展需要超越传统方法的先进分析方法.

研究的目的:

• 开发和验证一个复杂的分析框架,以捕捉使用多变量纵向聚类的多样性败血症轨迹.
• 通过分析时间序列电子健康记录 (EHRs) 来识别不同的败血症表型并改善生存预测.

主要方法:

• 采用多变量纵向聚类的k-平均值,与动态时间扭曲 (DTW) 集成,以处理临床数据中的时间变化.
• 利用与败血症相关的EHR,包括实验室结果,人口统计和健康状况,进行时间序列分析.
• 使用Silhouette分数,卡林斯基-哈拉巴斯指数和戴维斯-博尔丁指数评估集群性能;使用调整的兰德指数评估生存预测.

主要成果:

• 拟议的方法成功地确定了不同的败血症表型,反映了疾病进展的变化.
• 在败血症患者中证实了血栓-抗原复合物和血栓时间-国际规范化比率的预后意义.
• 与现有算法相比,纵向聚类方法在生存预测方面表现优越.

结论:

• 与DTW集成的k-means集群框架有效地捕捉了败血症异质性和进展模式.
• 鉴定的败血症表型和验证的预后标志物可以帮助制定更有针对性的治疗策略.
• 这种方法提供了一个强大的工具来分析复杂的时间序列临床数据,以提高患者的预测结果.