Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > q-bio > arXiv:1910.14460

帮助 | 高级搜索

定量生物学 > 定量方法

arXiv:1910.14460 (q-bio)
[提交于 2019年10月30日 ]

标题: 精确疾病网络(PDN)

标题: Precision disease networks (PDN)

Authors:J. Cabrera, D. Amaratunga, W. Kostis, J Kostis
摘要: 本文提出了一种构建基于患者的网络的方法,我们称之为精准疾病网络,并探讨了其在预测医疗结果方面的应用。我们的方法包括为每个患者或病例构建一个网络,描述患者的疾病演变(PDN),并将这些网络作为特征集存储在一个PDN的数据集中,每条观察记录对应一个网络。我们对PDN数据进行聚类,并研究集群内的和集群间的变异性。此外,我们开发了数据可视化技术,以便展示、比较和总结网络数据。最后,我们分析了来自新泽西州 statewide 数据库MIDAS(心肌梗死数据采集系统)的心脏病患者数据集,以证明与标准统计分析相比,网络数据能够更好地预测重要的患者结果,如死亡或心血管死亡。
摘要: This paper presents a method for building patient-based networks that we call Precision disease networks, and its uses for predicting medical outcomes. Our methodology consists of building networks, one for each patient or case, that describes the dis-ease evolution of the patient (PDN) and store the networks as a set of features in a data set of PDN's, one per observation. We cluster the PDN data and study the within and between cluster variability. In addition, we develop data visualization technics in order to display, compare and summarize the network data. Finally, we analyze a dataset of heart diseases patients from a New Jersey statewide data-base MIDAS (Myocardial Infarction Data Acquisition System, in order to show that the network data improve on the prediction of important patient outcomes such as death or cardiovascular death, when compared with the standard statistical analysis.
主题: 定量方法 (q-bio.QM) ; 机器学习 (cs.LG); 机器学习 (stat.ML)
引用方式: arXiv:1910.14460 [q-bio.QM]
  (或者 arXiv:1910.14460v1 [q-bio.QM] 对于此版本)
  https://doi.org/10.48550/arXiv.1910.14460
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Javier Cabrera [查看电子邮件]
[v1] 星期三, 2019 年 10 月 30 日 15:22:04 UTC (590 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • 其他格式
许可图标 查看许可
当前浏览上下文:
q-bio.QM
< 上一篇   |   下一篇 >
新的 | 最近的 | 2019-10
切换浏览方式为:
cs
cs.LG
q-bio
stat
stat.ML

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号