CRISP-TDM<inf>0</inf> for standardized knowledge discovery from physiological data streams: Retinopathy of prematurity and blood oxygen saturation case study
Notice bibliographique
Résumé
The CRoss Industry Standard Process for Temporal Data Mining (CRISP-TDM) that supports physiological stream temporal data mining and CRISP-DM0 that supports null hypothesis driven confirmatory data mining in combination was proposed by prior research. This combined CRISP-TDM0 is utilised as the standardised approach to managing, reporting and performing retrospective clinical research and is designed to solve the limitation in knowledge discovery amongst physiological data streams [1]. The temporal abstractions (TA) of high fidelity blood oxygenation saturation (SpO2) levels of nine premature neonates are analysed using data collected by the Artemis Platform that complies with the Big Data concept [2] and correlated with Retinopathy of Prematurity (ROP) data. The hourly SpO <sub xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sub> , TA pattern visualisation manifested three clusters and this is further supported by mathematical review of time percentage spent in target, below and over oxygenation. Clustering based on ROP stage and gestational age identified probable association within these three clusters. However known risk factors showed no association with ROP.
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».