基于自追踪数据混合隶属模型的内异症表型分析
计算机与社会
2018-11-09 v1 信息检索
机器学习
机器学习
摘要
我们研究使用自追踪数据和无监督混合隶属模型对内异症进行表型分析。内异症是育龄女性的一种全身性慢性疾病，同时也是一种高度神秘的疾病，没有已知的生物标志物来监测其进展，也没有既定的分期。我们利用了通过一项观察性研究中的自追踪应用程序收集的数据，该研究涵盖超过 2800 名内异症女性，她们在一年半的时间内追踪自身病情（总计 456,900 条观测）。我们扩展了经典的混合隶属模型，以适应手头数据的特殊性（即所追踪变量的多模态性）。我们的实验表明，我们的方法识别出的潜在亚型对于自追踪数据的偏差（例如参与者之间追踪频率的广泛差异）以及模型超参数的变化都是鲁棒的。联合建模关于参与者的广泛观测（症状、生活质量、治疗）产生了具有临床意义的亚型，这些亚型既验证了已知的内异症知识，又提出了新的发现。
引用
@article{arxiv.1811.03431,
title = {Phenotyping Endometriosis through Mixed Membership Models of Self-Tracking Data},
author = {Iñigo Urteaga and Mollie McKillop and Sharon Lipsky-Gorman and Noémie Elhadad},
journal= {arXiv preprint arXiv:1811.03431},
year = {2018}
}
备注
As presented in Machine Learning for Healthcare 2018, https://www.mlforhc.org/2018-conference/