Группирование данных о последовательности с смешанными цепями Маркава с ковариатами с использованием мультипростых связующих друг с другом методов оптимизации (MSiCOR).

Mixture Markov Model (MMM) — широко используемый инструмент для кластерных последовательностей событий, происходящих из ограниченного пространства. Однако, учитывая вероятность того, что МММ будет носить мультимодальный характер, задача по-прежнему заключается в его максимизации. Хотя алгоритм ожидания-Максимации (ЕМ) остается одним из наиболее популярных способов оценки параметров MMM, однако конвергенция алгоритма EM не всегда гарантируется. С учетом проблем, связанных с расчетом максимальных значений вероятности смеси в ограниченном пространстве параметра, мы разрабатываем метод глобальной оптимизации, основанный на модели поиска, который может оптимизировать любую объективную функцию на наборе простейших элементов, который в конечном счете используется для максимального увеличения вероятности MMM. Это свидетельствует о превосходстве других связанных с этим глобальных методов оптимизации. В ходе имитационных экспериментов предлагаемый метод показывает, что он превышает алгоритм ожидания-максимизации (ЭМ) в контексте оценки эффективности МММ. Предлагаемый метод применяется к пациентам, страдающим комбинированным склерозом (MS), исходя из их последовательности лечения методов лечения, позволяющих видоизменить болезнь (ДМТ). Мы также предлагаем новый метод группирования людей с MS на основе рецептов DMT и соответствующих клинических характеристик (ковариантов) с использованием MMM с ковариатами. Основываясь на анализе, мы разделили пациентов с MS на три группы. Дополнительные тематические резюме соответствующих ковариантов свидетельствуют о терпеливых различиях между кластерами. С дополнительными материалами по этой статье можно ознакомиться в Интернете.