Больше не всегда лучше: анализ данных для анализа скрытых классов.
Обработка статьи · этапы, ошибки и управление
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Stafford Imogen S, Geifman Nophar
Аннотация
Оригинал публикации
Bigger Isn't Always Better: Data Considerations for Latent Class Analysis.
Increasingly large datasets of clinical information present a significant opportunity to stratify patients for a more personalised approach to care. However, these data can be sparse and noisy, requiring processing of this data to be carefully considered. Here, we apply different minimum prevalence thresholds to diagnosis codes in a cohort of Multiple Sclerosis patients. We use this data to stratify patients using latent class analysis and examine the effect of different prevalence thresholds on the classes generated. We also examine computation efficiency using several disease-specific datasets.