The Importance of Nonlinear Transformations Use in Medical Data Analysis.

Araştırma özeti

Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by

Arka planVerilerin birikmesi ve daha kolay kullanımlı platformlar aracılığıyla erişilebilirliği, daha az sofistike veri analistleri olan veri bilimcilerinin ve uygulayıcılarının, birçok amaç için büyük verileri birden fazla şekilde kullanarak cevap almalarını sağlayacaktır. Tıbbi verilerle çalışan veri bilimcileri, ön işlemenin öneminin farkındadır, ancak birçok durumda doğrusal olmayan dönüşümleri kullanmanın potansiyel faydaları göz ardı edilir.Amacımız, tıbbi veri analizi ve avantajları için uyarlanmış yarı otomatik bir simetri hedefleme dönüşümü yaklaşımı sunmaktır.MethodsWe, tıbbi alanda kullanılan 10 yaygın olarak karşılaşılan veri türünü ve her veri türü için ilgili dönüşümleri tanımlar. Alzheimer Hastalığı Nörogörüntüleme Girişimi çalışmasından elde edilen veriler, Parkinson hastalığı hastane kohortu ve hastalık simülasyonu verileri yaklaşımı ve faydalarını göstermek için kullanıldı.SonuçlarSimmetri hedefli monoton dönüşümleri uygulandı ve varyans, stabilite, doğrusallık ve kümelemede kazanılan avantajlar gösterildi. Tanımlanan yöntemleri uygulayan açık kaynaklı bir uygulama geliştirildi. Hem ilişkilerin doğrusallığı hem de değişkenliğin kararlılığının artması, uygun doğrusal olmayan dönüşüm uygulandıktan sonra iyileşti. Kümelenmiş simüle edilmiş asimetrik olmayan veriler, üreten kümelere düşük anlaşma (Rand değeri=0.681) verirken, simetriye doğrusal olmayan dönüşüm uyguladıktan sonra orijinal yapıyı yakalar (Rand değeri=0.986). Tanımlanan yaklaşımı kullanarak, veri analisti, daha basit, daha sağlam ve çevirisel modeller oluşturma yeteneğini arttırır, böylece tıbbi uygulayıcılar tarafından analizin yorumlanmasını ve uygulanmasını kolaylaştırır. Ön işlemenin bir parçası olarak doğrusal olmayan dönüşümlerin uygulanması, sonuçların kalitesi ve yorumlanabilirliği için gereklidir.

Özgün kaynak özetini okuyun

BackgroundThe accumulation of data and its accessibility through easier-to-use platforms will allow data scientists and practitioners who are less sophisticated data analysts to get answers by using big data for many purposes in multiple ways. Data scientists working with medical data are aware of the importance of preprocessing, yet in many cases, the potential benefits of using nonlinear transformations is overlooked.ObjectiveOur aim is to present a semi-automated approach of symmetry-aiming transformations tailored for medical data analysis and its advantages.MethodsWe describe 10 commonly encountered data types used in the medical field and the relevant transformations for each data type. Data from the Alzheimer's Disease Neuroimaging Initiative study, Parkinson's disease hospital cohort, and disease-simulating data were used to demonstrate the approach and its benefits.ResultsSymmetry-targeted monotone transformations were applied, and the advantages gained in variance, stability, linearity, and clustering are demonstrated. An open source application implementing the described methods was developed. Both linearity of relationships and increase of stability of variability improved after applying proper nonlinear transformation. Clustering simulated nonsymmetric data gave low agreement to the generating clusters (Rand value=0.681), while capturing the original structure after applying nonlinear transformation to symmetry (Rand value=0.986).ConclusionsThis work presents the use of nonlinear transformations for medical data and the importance of their semi-automated choice. Using the described approach, the data analyst increases the ability to create simpler, more robust and translational models, thereby facilitating the interpretation and implementation of the analysis by medical practitioners. Applying nonlinear transformations as part of the preprocessing is essential to the quality and interpretability of results.

Bilimsel değerlendirme

Araştırma sorusu

Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.

Yöntem ve örneklem

Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.

Temel bulgular

Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.

Sınırlılıklar

Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.

Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.