MedElevator
Войти в исследования Больше не всегда лучше: анализ данных для анализа скрытых классов.
Аннотация
Все более крупные наборы клинической информации открывают широкие возможности для стратификации пациентов для более индивидуализированного подхода к уходу. Однако эти данные могут быть незначительными и шумными, что требует тщательного рассмотрения их обработки. Здесь мы применяем различные минимальные пороговые значения распространенности к диагностическим кодам в группе пациентов с множественным склерозом. Мы используем эти данные для стратификации пациентов с использованием латентного классового анализа и изучения воздействия различных пороговых значений распространенности на генерируемые классы. Мы также изучаем эффективность расчетов с использованием нескольких наборов данных по конкретным заболеваниям.
Название и аннотация на языке оригинала
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.
Предметные рубрики MeSH
Подготовка и перевод публикации
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.
Тип публикации указан по данным источника. Уровень доказательности автоматически не присваивается.