一种基于成本的多层网络方法用于患者表型发现
机器学习
2022-09-21 v2
摘要
临床记录常包含对患者特征的评估，其中可能包括填写各类问卷。这些问卷提供了患者当前健康状况的多种视角。捕捉这些视角所给出的异质性至关重要，同时开发用于临床表型分析的经济高效技术也日益迫切。填写大量问卷可能对患者造成负担因而成本高昂。本工作中，我们提出 COBALT——一种基于成本的多层选择器模型，利用社区发现方法检测表型。我们的目标是在保持表型质量的同时最小化用于构建这些表型的特征数量。我们使用慢性耳鸣患者的问卷数据测试模型，并将数据表示为多层网络结构。随后通过使用基线特征（年龄、性别和治疗前数据）以及所识别表型作为特征来预测治疗后数据，对模型进行评估。对于部分治疗后变量，使用 COBALT 表型作为特征的预测器优于使用传统聚类方法检测到的表型者。此外，与使用仅以基线特征训练的预测器相比，使用表型数据预测治疗后数据被证明是有益的。
引用
@article{arxiv.2209.09032,
title = {A cost-based multi-layer network approach for the discovery of patient phenotypes},
author = {Clara Puga and Uli Niemann and Winfried Schlee and Myra Spiliopoulou},
journal= {arXiv preprint arXiv:2209.09032},
year = {2022}
}
备注
21 pages, 9 figures, submitted to JDSA