利用 2 型糖尿病自我监测数据进行行为-临床表型分析
应用统计
2018-02-27 v1 机器学习
其他统计学
摘要
目的：评估无监督聚类方法在识别 2 型糖尿病（T2DM）自我监测数据中关联个人生物标志物与行为特征的个体层面行为-临床表型方面的表现。材料与方法：我们使用层次聚类（HC）为 6 名收集了自我监测数据的 T2DM 个体识别具有相似营养与血糖影响的餐食组。我们从以下方面评估聚类：1）与由认证糖尿病教育师（CDEs）为 3 名参与者生成的金标准的一致性；2）由 CDEs 评定的表面效度；3）对 CDEs 为另外 3 名参与者识别模式能力的影响。结果：金标准（GS）在 3 名参与者中涵盖 9 种模式。其中，全部 9 种均通过 HC 重新发现：4 个 GS 模式与 HC 识别的模式一致（簇中超过 50% 的餐食遵循该模式）；另外 5 个作为子组包含在更宽泛的簇中。50%（9/18）的簇在 5 点李克特量表上效度、显著性和可操作性评分超过 3。在审阅簇后，CDEs 识别出的模式与数据更为一致（模式与参与者记录之间的矛盾减少 70%）。讨论：血糖与宏量营养素摄入的层次聚类似乎适用于发现 T2DM 中的行为-临床表型。大多数簇与金标准对应，并被 CDEs 在表面效度上给予正面评价。簇可视化帮助 CDEs 识别更稳健的营养与血糖影响模式，为可视化分析方案创造了新可能。结论：机器学习方法可利用糖尿病自我监测数据创建个性化行为-临床表型，这可能有助于提供个性化医疗。
引用
@article{arxiv.1802.08761,
title = {Behavioral-clinical phenotyping with type 2 diabetes self-monitoring data},
author = {Matthew E. Levine and David J. Albers and Marissa Burgermaster and Patricia G. Davidson and Arlene M. Smaldone and Lena Mamykina},
journal= {arXiv preprint arXiv:1802.08761},
year = {2018}
}