基于混合模型框架利用异质临床与结局数据进行创伤性脑损伤预后预测
机器学习
2022-03-24 v3 定量方法
摘要
创伤性脑损伤（TBI）结局的预后既不易也不易从临床指标准确判定。这部分是由于对大脑造成的损伤具有异质性，最终导致多样且复杂的结局。对许多不同数据元素使用数据驱动的方法可能是描述这一大量结局集并从而稳健刻画TBI患者恢复中细微差异所必需的。在这项工作中，我们开发了一种对与TBI相关的庞大异质数据类型进行建模的方法。我们的方法致力于具有缺失值的混合连续与离散变量的概率表示。该模型在一个涵盖多种数据类型的数据集上训练，包括人口统计学、血液生物标志物和影像发现。此外，它包含损伤后3、6和12个月的一组临床结局评估。该模型在无监督学习设置中用于将患者分层为不同组。我们使用该模型利用输入数据推断结局，并表明输入数据的收集相比基线方法降低了结局的不确定性。此外，我们量化了一种似然评分技术的性能，该技术可用于对未见患者的预后外推风险进行自我评估。
引用
@article{arxiv.2012.12310,
title = {Mixture Model Framework for Traumatic Brain Injury Prognosis Using Heterogeneous Clinical and Outcome Data},
author = {Alan D. Kaplan and Qi Cheng and K. Aditya Mohan and Lindsay D. Nelson and Sonia Jain and Harvey Levin and Abel Torres-Espin and Austin Chou and J. Russell Huie and Adam R. Ferguson and Michael McCrea and Joseph Giacino and Shivshankar Sundaram and Amy J. Markowitz and Geoffrey T. Manley},
journal= {arXiv preprint arXiv:2012.12310},
year = {2022}
}
备注
12 pages, 5 figures