通过使用未经监督的特征提取和聚类来识别患有支气管炎的土著婴儿的临床概况.

科学领域:

• 儿科肺病学 儿科肺病学
• 在医疗保健中的数据科学.
• 土著健康研究土著健康研究

背景情况:

• 由于支气管炎而住院的婴儿面临着持续症状和未来慢性肺部疾病 (如支气管炎) 的风险.
• 早期识别高风险婴儿可以实现有针对性的干预,并改善长期结果.
• 传统的集群方法需要大量的数据集,对像土著婴儿这样的较小群体构成挑战.

研究的目的:

• 探索无监督特征提取算法 (UFEAs) 与集群结合用于识别高风险表型的实用性,用于识别与支气管炎住院的土著婴儿的小型数据集.
• 评估UFEAs是否可以有效地减少在这个特定人群中风险分析的数据维度.

主要方法:

• 分析了一组128名因支气管炎住院的土著婴儿.
• 八个UFEA被应用于22个变量,以减少维度 (2-17个维度).
• 核心主要组件分析 (KPCA) 实现了最佳的维度缩小 (9个维度),然后用于聚类以识别不同的婴儿配置文件.

主要成果:

• 通过UFEA和集群,确定了六个不同的临床风险概况.
• 风险最高的个人资料 (个人资料C) 显示高频率的支气管 (45%),早产 (95%),低出生体重 (86%) 和家庭烟雾暴露 (90%).
• 其他确定的个人资料表明,支气管切除风险,咳严重程度,氧气需求和巩固水平各不相同,突出显示了不同的临床表现.

结论:

• UFEA和聚类有效地减少了数据的维度,使得在土著婴儿中确定了六种临床上重要的风险概况.
• 这种方法为较小数据集中的风险分层提供了一种可行的方法,可能为患有慢性肺病风险的婴儿提供早期干预指导.