NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
BackgroundPrecision tıp, hastaların hasta başına tedavileri seçmelerine izin verecek kadar bilgilendirici olan hastalık sunumu ile bir katmanlaşmayı gerektirir. Nörolojik bozukluklar gibi birçok hastalık için, bu tabakalaşma problemi, çok değişkenli ve nispeten kısa zaman serilerini kümelemenin karmaşık bir problemine dönüşür, çünkü (i) bu hastalıklar çok faktörlüdür ve tek klinik sonuç değişkenleri tarafından iyi tanımlanmamıştır ve (ii) hastalık ilerlemesinin zaman içinde izlenmesi gerekir. Ek olarak, klinik veriler genellikle ek olarak birçok eksik değerin varlığı ile engellenir, daha da karmaşık herhangi bir kümeleme girişimleri.BulgularBirçok eksik değerle kümeleme çok değişkenli kısa zaman serileri sorunu genellikle literatürde iyi ele alınmaz. Bu çalışmada, bu sorunu çözmek için derin bir öğrenme temelli yöntem, tekrarlama (VaDER) ile varyasyonel derin gömmeyi önermekteyiz. VaDER, (i) model çok değişkenli zaman serisine ve (ii) eksik değerlerle doğrudan başa çıkmak için daha da genişletilen bir Gauss karışımı varyasyonlu otomatik kodlayıcı çerçevesine dayanır. VaDER'i, kümeleri, bilinen yer gerçeği kümelemesi ile simüle edilmiş ve kıyaslama verilerinden doğru bir şekilde kurtararak doğruladık, aynı zamanda eksiklik derecesini de değiştirdik. Daha sonra, Alzheimer hastalığı olan hastaları ve Parkinson hastalığı olan hastaları klinik olarak farklı hastalık ilerleme profilleri ile karakterize edilen alt gruplara başarılı bir şekilde katmanlaştırmak için VaDER kullandık. Ek analizler, bu klinik farklılıkların Alzheimer hastalığının ve Parkinson hastalığının altta yatan yönlerini yansıttığını göstermiştir.Sonuçlarımız, VaDER'in hasta tabakalaşmasında gelecekteki çabalar ve genel olarak çok değişkenli zaman serisi kümelenmesi için büyük bir değere sahip olabileceğini göstermektedir.
Özgün kaynak özetini okuyun
BackgroundPrecision medicine requires a stratification of patients by disease presentation that is sufficiently informative to allow for selecting treatments on a per-patient basis. For many diseases, such as neurological disorders, this stratification problem translates into a complex problem of clustering multivariate and relatively short time series because (i) these diseases are multifactorial and not well described by single clinical outcome variables and (ii) disease progression needs to be monitored over time. Additionally, clinical data often additionally are hindered by the presence of many missing values, further complicating any clustering attempts.FindingsThe problem of clustering multivariate short time series with many missing values is generally not well addressed in the literature. In this work, we propose a deep learning-based method to address this issue, variational deep embedding with recurrence (VaDER). VaDER relies on a Gaussian mixture variational autoencoder framework, which is further extended to (i) model multivariate time series and (ii) directly deal with missing values. We validated VaDER by accurately recovering clusters from simulated and benchmark data with known ground truth clustering, while varying the degree of missingness. We then used VaDER to successfully stratify patients with Alzheimer disease and patients with Parkinson disease into subgroups characterized by clinically divergent disease progression profiles. Additional analyses demonstrated that these clinical differences reflected known underlying aspects of Alzheimer disease and Parkinson disease.ConclusionsWe believe our results show that VaDER can be of great value for future efforts in patient stratification, and multivariate time-series clustering in general.
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.