Knowledge-Based Data Analysis: First Step Toward the Creation of Clinical Prediction Rules Using a New Typicality Measure
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Clinical prediction rules play an important role in medical practice. They expedite diagnosis and limit unnecessary tests. However, the rule creation process is time consuming and expensive. With the current developments of efficient data mining algorithms and growing accessibility to medical data, the creation of clinical rules can be supported by automated rule induction from data. A data-driven method based on the reuse of previously collected medical records and clinical trial statistics is cost-effective; however, it requires well defined and intelligent methods for data analysis. This paper presents a new framework for knowledge representation for secondary data analysis and for generation of a new typicality measure, which integrates medical knowledge into statistical analysis. The framework is based on a semiotic approach for contextual knowledge and fuzzy logic for approximate knowledge. This semio-fuzzy framework has been applied to the analysis of predictors for the diagnosis of obstructive sleep apnea. This approach was tested on two clinical data sets. Medical knowledge was represented by a set of facts and fuzzy rules, and used to perform statistical analysis. Statistical methods provided several candidate outliers. Our new typicality measure identified those, which were medically significant, in the sense that the removal of those important outliers improved the descriptive model. This is a critical preprocessing step towards automated induction of predictive rules from data. These experimental results demonstrate that knowledge-based methods integrated with statistical approaches provide a practical framework to support the generation of clinical prediction rules.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle