利用概率独立性无监督发现临床疾病特征
机器学习
2024-02-09 v1 应用统计
机器学习
摘要
临床疾病诊断不够精确可能是导致许多治疗失败的原因，即使是对于常见病症和治疗也是如此。如果有足够大的数据集，或许可以利用无监督机器学习更精确地定义临床疾病模式。我们提出了一种利用概率独立性来解缠医疗记录中疾病因果潜在来源印记的方法，从而学习这些模式。我们从 269,099 份电子健康记录中的 9,195 个变量中推断出一组广泛的 2,000 个潜在来源的临床特征。在推断算法未知的肺癌预测任务中，学习到的特征比原始变量产生了更好的判别效果，预测了在发现孤立肺结节之前无癌症病史患者的 3 年恶性肿瘤风险。更重要的是，这些特征更强的解释力识别出了许多患者中 apparently 未确诊癌症的结节前特征。
引用
@article{arxiv.2402.05802,
title = {Unsupervised Discovery of Clinical Disease Signatures Using Probabilistic Independence},
author = {Thomas A. Lasko and John M. Still and Thomas Z. Li and Marco Barbero Mota and William W. Stead and Eric V. Strobl and Bennett A. Landman and Fabien Maldonado},
journal= {arXiv preprint arXiv:2402.05802},
year = {2024}
}
备注
29 Pages, 8 figures