A moment kernel machine for clinical data mining to inform medical decision making.
A moment kernel machine for clinical data mining to inform medical decision making.
复制标题
DOI：
10.1038/s41598-023-36752-7
复制
发表时间：
2023-06-28
影响因子：
4.6
通讯作者：
Chang, Su-Hsin
中科院分区：
文献类型：
--
作者：
Yu, Yao-Chi;Zhang, Wei;O'Gara, David;Li, Jr-Shin;Chang, Su-Hsin
机器学习辅助医疗决策提出了三个主要挑战：实现模型简约，确保可靠的预测，并提供高计算效率的实时建议。在本文中，我们制定医疗决策作为一个分类问题，并开发了矩核机（MKM）来应对这些挑战。我们的方法的主要思想是将每个患者的临床数据视为概率分布，并利用这些分布的矩表示来构建MKM，将高维临床数据转换为低维表示，同时保留必要的信息。然后，我们将这台机器应用于各种手术前临床数据集，以预测手术结果并为医疗决策提供信息，与现有方法相比，这需要显着更少的计算能力和分类时间，同时获得良好的性能。此外，我们利用合成数据集来证明，开发的基于矩的数据挖掘框架是强大的噪声和丢失的数据，并实现模型简约提供了一种有效的方法来生成令人满意的预测，以帮助个性化的医疗决策。
Machine learning-aided medical decision making presents three major challenges: achieving model parsimony, ensuring credible predictions, and providing real-time recommendations with high computational efficiency. In this paper, we formulate medical decision making as a classification problem and develop a moment kernel machine (MKM) to tackle these challenges. The main idea of our approach is to treat the clinical data of each patient as a probability distribution and leverage moment representations of these distributions to build the MKM, which transforms the high-dimensional clinical data to low-dimensional representations while retaining essential information. We then apply this machine to various pre-surgical clinical datasets to predict surgical outcomes and inform medical decision making, which requires significantly less computational power and time for classification while yielding favorable performance compared to existing methods. Moreover, we utilize synthetic datasets to demonstrate that the developed moment-based data mining framework is robust to noise and missing data, and achieves model parsimony giving an efficient way to generate satisfactory predictions to aid personalized medical decision making.
登录
查看更多内容
影响因子：
1.6
作者：
Pearson, Karl
通讯作者：
Pearson, Karl
影响因子：
82.9
作者：
Liu, Yuan;Jain, Ayush;Coz, David
通讯作者：
Coz, David
影响因子：
--
作者：
Ross, M K;Wei, W;Ohno-Machado, L
通讯作者：
Ohno-Machado, L
影响因子：
0.9
作者：
Ershoff BD;Lee CK;Wray CL;Agopian VG;Urban G;Baldi P;Cannesson M
通讯作者：
Cannesson M
DOI：
10.1007/s12350-014-0027-x
发表时间：
2015-10
期刊：
Journal of nuclear cardiology : official publication of the American Society of Nuclear Cardiology
影响因子：
--
作者：
Arsanjani R;Dey D;Khachatryan T;Shalev A;Hayes SW;Fish M;Nakanishi R;Germano G;Berman DS;Slomka P
通讯作者：
Slomka P