基于不完整不平衡纵向数据的膝骨关节炎进展多分类器预测
机器学习
2020-06-02 v2 机器学习
摘要
骨关节炎临床试验中使用的常规纳入标准在筛选可受益于所测试疗法的患者方面效果不佳。通常，大多数入选患者在试验期间未表现出或仅表现出有限的疾病进展。因此，无法观察到所测试治疗的效应，且开展试验所投入的努力与资源未获回报。若筛选标准能更好地预测未来疾病进展，则可避免此情况。在本文中，我们将患者筛选问题表述为多分类任务，其类别基于临床相关的进展度量（时间尺度为临床试验典型尺度）。利用来自两项长期膝骨关节炎研究 OAI 和 CHECK 的数据，我们测试了多种算法与学习过程配置（包括多分类器方法、代价敏感学习和特征选择），以识别性能最佳的机器学习模型。我们考察了最佳模型在预测误差与所用特征影响方面的行为，以确认其临床相关性。我们发现，基于模型的筛选优于常规纳入标准，将无进展患者数量减少了 20-25%。该结果可能带来更高效的临床试验。
引用
@article{arxiv.1909.13408,
title = {Multi-classifier prediction of knee osteoarthritis progression from incomplete imbalanced longitudinal data},
author = {Paweł Widera and Paco M. J. Welsing and Christoph Ladel and John Loughlin and Floris P. J. G. Lafeber and Florence Petit Dop and Jonathan Larkin and Harrie Weinans and Ali Mobasheri and Jaume Bacardit},
journal= {arXiv preprint arXiv:1909.13408},
year = {2020}
}
备注
22 pages, 12 figures, 10 tables