Mining Sequential Patterns with Timelines from Digital Health Data
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
Descriptive pattern mining is a useful tool in expansion of knowledge. One such area of descriptive pattern mining is that of sequential pattern mining. In sequential mining, items maintain an order of occurrence. In this paper, we present a digital health solution for mining sequential patterns from real-life healthcare data. Specifically, it is a non-trivial extension to the sequential mining algorithm PrefixSpan. Through an association of time, we find improved relevance of a pattern overall significance relative to a focal point. This is particularly useful in the medical domain, where significance of information varies depending on the time of its occurrence. For example, consider a time of being diagnosed with a disease. A condition occurring 16 years prior to the time of diagnosis provides less information than the same condition occurring 2 years prior to diagnosis. In traditional sequential mining, both conditions would equally contribute to support, despite their unequal value in describing causes of diagnosis. To resolve such issue, we provide an inclusion of two additional user-defined parameters to incorporate time within itemsets—namely, a timeline interval (describing the length of an interval, of which itemsets of different intervals are treated separately by their difference in time to a focal point), as well as a maximal window (denoting the maximal interval that disallows for any greater time difference than such interval). With timelines associated to itemsets, relevance of itemsets have improved interpretability for domain experts.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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