Rough-set based learning methods: A case study to assess the relationship between the clinical delivery of cannabinoid medicine for anxiety, depression, sleep, patterns and predictability
Notice bibliographique
Résumé
COVID-19 is an unprecedented health crisis causing a great deal of stress and mental health challenges in populations in Canada. Recently, research is emerging highlighting the potential of cannabinoids’ beneficial effects related to anxiety, mood, and sleep disorders as well as pointing to an increased use of medicinal cannabis since COVID-19 was declared a pandemic. Furthermore, evidence points to a correlation between mental health and sleep patterns. The objective of this research is threefold: i) to assess the relationship of the clinical delivery of cannabinoid medicine, by utilizing machine learning, to anxiety, depression and sleep scores; ii) to discover patterns based on patient features such as specific cannabis recommendations, diagnosis information, decreasing/increasing levels of clinical assessment tools (GAD7, PHQ9 and PSQI) scores over a period of time (including during the COVID timeline); and iii) to predict whether new patients could potentially experience either an increase or decrease in clinical assessment tool scores. The dataset for this thesis was derived from patient visits to Ekosi Health Centres in Manitoba, Canada and Ontario, Canada from January, 2019 to April, 2021. Extensive pre-processing and feature engineering was performed. To determine the outcome of a patients treatment, a class feature (Worse, Better, or No Change) indicative of their progress or lack thereof due to the treatment received was introduced. Three well-known supervised machine learning models (tree-based, rule-based and nearest neighbour) were trained on the patient dataset. In addition, seven rough and rough-fuzzy hybrid methods were also trained on the same dataset. All experiments were conducted using a 10-fold CV method. Sensitivity and specificity measures were higher in all classes with rough and rough-fuzzy hybrid methods. The highest accuracy of 99.15% was obtained using the rule-based rough-set learning method.
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 | 0,016 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».