莱姆病患者调查数据上的特征选择
计算机与社会
2020-09-22 v1 机器学习
机器学习
摘要
莱姆病是一种迅速增长的疾病，但在医学界仍知之甚少。关于患者何时以及为何对治疗产生反应或持续患病、哪些治疗有效、甚至如何正确诊断该疾病等关键问题，在很大程度上仍未得到解答。我们通过将机器学习技术应用于由非营利组织 LymeDisease.org 开发的大规模莱姆病患者登记库 MyLymeData 来研究这些问题。我们应用多种机器学习方法，以衡量个体特征在预测参与者对全球变化评分（GROC）调查问题作答时的效应，该调查评估其在抗生素治疗后自我报告的健康状况改善、恶化或保持不变的程度。我们使用基础线性回归、支持向量机、神经网络、基于熵的决策树模型以及 -近邻方法。我们首先分析模型的总体性能，然后识别出预测参与者 GROC 作答的最重要特征。在识别出“关键”特征后，我们将它们从数据集中分离出来，并展示这些特征在识别 GROC 上的有效性。在此过程中，我们从数学和临床两方面指出了未来研究的可能方向。
引用
@article{arxiv.2009.09087,
title = {Feature Selection on Lyme Disease Patient Survey Data},
author = {Joshua Vendrow and Jamie Haddock and Deanna Needell and Lorraine Johnson},
journal= {arXiv preprint arXiv:2009.09087},
year = {2020}
}
备注
9 pages, 8 figures, 6 tables