DPVis：基于隐马尔可夫模型的疾病进展路径可视分析
机器学习
2020-04-10 v2 人机交互
机器学习
摘要
临床研究人员使用疾病进展模型来理解患者状态并从纵向健康记录中刻画进展模式。疾病进展建模的一种方法是使用少量状态来描述患者状态，这些状态代表一组观测指标上的独特分布。隐马尔可夫模型（HMMs）及其变体是一类既能发现这些状态又能推断患者健康状态的模型。尽管使用这些算法发现有趣模式具有优势，医学专家在解释模型输出、理解复杂建模参数以及从临床上理解这些模式方面仍存在挑战。为解决这些问题，我们与临床科学家、统计学家和可视化专家开展了一项设计研究，旨在调查慢性疾病（即 1 型糖尿病（T1D）、亨廷顿病、帕金森病和慢性阻塞性肺疾病（COPD））的疾病进展路径。作为结果，我们提出了 DPVis，它将 HMMs 的模型参数和输出无缝集成到可解释且交互式的可视化中。在本研究中，我们展示了 DPVis 在评估疾病进展模型、可视化总结疾病状态、交互式探索疾病进展模式以及构建、分析并比较临床相关患者亚组方面的成功应用。
引用
@article{arxiv.1904.11652,
title = {DPVis: Visual Analytics with Hidden Markov Models for Disease Progression Pathways},
author = {Bum Chul Kwon and Vibha Anand and Kristen A Severson and Soumya Ghosh and Zhaonan Sun and Brigitte I Frohnert and Markus Lundgren and Kenney Ng},
journal= {arXiv preprint arXiv:1904.11652},
year = {2020}
}
备注
to appear at IEEE Transactions on Visualization and Computer Graphics