tSPM+：一种从临床数据中进行传递时序模式挖掘的高性能算法
机器学习
2023-09-13 v1 人工智能
信息检索
摘要
从患者收集的大型临床数据集的日益可用，能够利用不同分析算法对复杂疾病进行计算表征的新途径。从大型临床数据集中提取知识的一种有前景的新方法涉及与时间模式挖掘及机器学习工作流相集成。然而，挖掘这些时间模式是一项计算密集型任务，并且会产生内存影响。当前算法，如时间序列模式挖掘（tSPM）算法，已提供有前景的结果，但仍有优化空间。在本文中，我们提出 tSPM+ 算法，即 tSPM 算法的高性能实现，其通过向时间模式添加持续时间这一新维度。我们展示 tSPM+ 算法可实现最高 980 倍的加速以及最高 48 倍的内存消耗改善。此外，我们提供了一个带 R 包的 docker 容器，我们还提供使用说明以便轻松集成到已有机器学习工作流中，并使用挖掘的时间序列根据 WHO 定义识别新冠后患者及其症状。
引用
@article{arxiv.2309.05671,
title = {tSPM+; a high-performance algorithm for mining transitive sequential patterns from clinical data},
author = {Jonas Hügel and Ulrich Sax and Shawn N. Murphy and Hossein Estiri},
journal= {arXiv preprint arXiv:2309.05671},
year = {2023}
}
备注
Supplementary data: https://doi.org/10.5281/zenodo.8329519