文献

J-GLOBAL ID：202002281517562367   整理番号：20A1339235

川崎病における静脈内免疫グロブリン耐性予測のための共クラスタリングと解釈可能な機械学習の統合【JST・京大機械翻訳】

Integrating Co-Clustering and Interpretable Machine Learning for the Prediction of Intravenous Immunoglobulin Resistance in Kawasaki Disease

著者 (6件)： Wang Haolin (College of Medical Informatics, Chongqing Medical University, Chongqing, China) ,  Huang Zhilin (Department of Cardiology, Heart Centre, Children’s Hospital of Chongqing Medical University, Ministry of Education Key Laboratory of Child Development and Disorders, National Center for Clinical Medicine Research in Children’s Health and Disease, Chongqing, China) ,  Zhang Danfeng (Department of Cardiology, Heart Centre, Children’s Hospital of Chongqing Medical University, Ministry of Education Key Laboratory of Child Development and Disorders, National Center for Clinical Medicine Research in Children’s Health and Disease, Chongqing, China) ,  Arief Johan (Department of Cardiology, Heart Centre, Children’s Hospital of Chongqing Medical University, Ministry of Education Key Laboratory of Child Development and Disorders, National Center for Clinical Medicine Research in Children’s Health and Disease, Chongqing, China) ,  Lyu Tiewei (Department of Cardiology, Heart Centre, Children’s Hospital of Chongqing Medical University, Ministry of Education Key Laboratory of Child Development and Disorders, National Center for Clinical Medicine Research in Children’s Health and Disease, Chongqing, China) ,  Tian Jie (Department of Cardiology, Heart Centre, Children’s Hospital of Chongqing Medical University, Ministry of Education Key Laboratory of Child Development and Disorders, National Center for Clinical Medicine Research in Children’s Health and Disease, Chongqing, China)
資料名： IEEE Access  (IEEE Access)
巻： 8  ページ： 97064-97071  発行年： 2020年 
JST資料番号： W2422A  ISSN： 2169-3536  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 静脈内免疫グロブリン耐性患者の同定は川崎病の迅速で最適な治療に必須であり,効果的なリスク評価ツールの必要性を示唆する。データ駆動手法は,実世界データの複雑なパターンを捕捉することにより,ハイリスク個人を識別する可能性を有する。臨床データの不完全性と機械学習モデルの解釈性の欠如に対処する静脈内免疫グロブリン耐性の臨床的に適用可能な予測を可能にするために,多段階法をデータ欠損パターンマイニングと知的モデルを統合することによって開発した。第1に,共クラスタリングを採用して,(a)グループベースの特徴選択と欠測データ補完と(b)データの利用可能性を考慮した患者サブグループ特異的予測モデルを可能にするために,臨床的特徴と患者を同時にグループ化することにより,ブロックワイズデータ欠損パターンを特性化した。第2に,グループLassoを用いて特徴選択を行い,グループ特異的リスク因子を明らかにした。第3に,一般化加法モデルに基づく解釈可能な学習方法である説明可能なブースティングマシンを各患者サブグループの予測に適用した。実世界の電子健康記録を用いた実験は,ベンチマーク法の集合と比較して,予測モデリングのための提案フレームワークの優れた性能を示した。本研究は,不完全な臨床データマイニングのための共クラスタリングと教師つき学習法の統合を強調し,医療における意思決定のための予測子と効果的アルゴリズムを研究するためのデータ駆動手法を促進する。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  意思決定 ,  *免疫グロブリン ,  *静脈 ,  *クラスタ化 ,  教師つき学習 ,  特徴選択 ,  加算 ,  *川崎病 ,  危険因子 ,  *機械学習 ,  予測モデル ,  データマイニング
準シソーラス用語： ブースティング ,  データ駆動 , 【Automatic Indexing@JST】

分類 (2件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (8件)： 川崎病 ,  静脈 ,  免疫グロブリン ,  耐性 ,  予測 ,  クラスタリング ,  機械学習 ,  統合