面向纵向临床数据分析的时间模式挖掘：阿尔茨海默病风险因素的识别
机器学习
2025-05-09 v1
摘要
本文提出一种新颖的框架，用于处理纵向、多变量、异构临床数据建模与分析这一复杂任务。该方法使用时态抽象将数据转换为更适合建模的形式，利用时间模式挖掘发现复杂纵向数据中的模式，并采用生存分析的机器学习模型对发现的模式进行筛选。该方法应用于阿尔茨海默病（AD，一种无法治愈的进行性脑神经退行性疾病）的真实世界研究。所发现的模式在生存分析模型中具有预测AD的能力，一致性指数（Concordance index）最高达0.8。这是首个利用AD的时间数据收集进行AD生存分析的工作。可视化模块还清晰展示了发现的模式，以便于解释。
引用
@article{arxiv.2209.04793,
title = {Temporal Pattern Mining for Analysis of Longitudinal Clinical Data: Identifying Risk Factors for Alzheimer's Disease},
author = {Annette Spooner and Gelareh Mohammadi and Perminder S. Sachdev and Henry Brodaty and Arcot Sowmya},
journal= {arXiv preprint arXiv:2209.04793},
year = {2025}
}
备注
20 pages, 10 figures, 5 tables