Handling Irregularly Sampled Longitudinal Data and Prognostic Modeling of Diabetes Using Machine Learning Technique
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 researchers use prognostic modeling techniques to identify a-prior patient health status and characterize progression patterns. It is highly desirable to predict future health condition especially to implement preventive and intervention strategies in pre-diabetic individuals. Hidden Markov Model (HMM) and its variants are a class of models that provide predictions concerning future condition by exploiting sequences of clinical measurements obtained from a longitudinal sample of patients. Despite the advantages of using these models for prognostic modeling, it still face barriers and significant challenges, to effectively learn dynamic interactions, when using irregularly sampled longitudinal Electronic Medical Records (EMRs) data. Newton's divide difference method (NDDM) is a classical approach for handling irregular data in terms of divided difference. However, as it is polynomial approximation technique, it suffers with Runge Phenomenon. The problem can be even more severe when the interval is a bit extended. Therefore, to tackle this problem, we proposed a novel approximation method based on NDDM as a component with HMM in order to estimate the 8 years risk of developing Type 2 Diabetes Mellitus (T2DM) in a particular individual. The proposed method is evaluated on real world clinical data obtained from CPCSSN. The results demonstrated that our proposed technique has the ability to exploit the available irregularly sampled EMRs data for effective approximation and improved prediction accuracy.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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