使用无监督机器学习的镜头来表现膜心脏病:一个范围审查

科学领域:

• 心脏病学 心脏病学
• 人工智能的人工智能
• 医疗信息学 医疗信息学

背景情况:

• 心脏膜疾病 (VHD) 的发病率和死亡率随着人口老龄化而增加.
• 目前的VHD诊断依赖于专家启发式,可能缺少复杂的患者表型.
• 无监督机器学习 (ML) 是一种可扩展的,数据驱动的方法,用于发现大型数据集中隐藏的模式.

研究的目的:

• 系统地审查非监督的ML应用在大动脉狭窄,额叶回和三回中.
• 评估无监督ML如何改善VHD表型,预后和治疗决策.
• 将ML衍生的见解与传统的基于指南的VHD严重性分类进行比较.

主要方法:

• 在PubMed的系统文献搜索中,寻找在VHD中使用无监督ML的研究.
• 对研究群体,算法输入,ML算法和研究结果的数据提取.
• 分析无监督学习识别患者表型和预测结果的能力.

主要成果:

• 无监督的ML确定了复杂的VHD表型,并提供了比传统的严重程度类更详细的见解.
• 在VHD类别中,ML方法增强了患者表型和结果预测.
• 这些数据驱动的见解可以个性化早期或无症状VHD的管理策略.

结论:

• 无监督的ML为推进VHD理解和患者分层提供了一个强大的工具.
• ML驱动的表型可以指导个性化的治疗决策,包括透导管和药理干预.
• 需要进一步的前性研究来验证这些有希望的无监督ML方法在临床实践中.