Информатика. Экономика. Управление - Informatics. Economics. Management

Прогнозирование васкулитной нейропатии с использованием подходов контролируемого машинного обучения

Зекай Чен

DOI: https://doi.org/10.47813/2782-5280-2024-3-1-0301-0310

Ключевые слова: васкулитная нейропатия, машинное обучение, прогнозное моделирование, электронные медицинские карты, точность диагностики.

---

Аннотация

Васкулитная нейропатия — это вызванное воспалением заболевание нервов, которое часто остается недиагностированным до тех пор, пока не произойдет необратимое повреждение. В этом исследовании была разработана и проверена контролируемая модель машинного обучения для прогнозирования будущего возникновения васкулитной нейропатии с использованием данных электронных медицинских записей о 450 случаях и 1800 соответствующих контрольных группах. Прогнозирующий алгоритм проанализировал 134 структурированных признака, связанных с диагнозами, лекарствами, лабораторными анализами и клиническими записями. Выбранная модель логистической регрессии с регуляризацией L2 достигла AUC 0,92 (0,89–0,94 ДИ) внутри выборки и сохранила AUC 0,90 (0,84–0,93 ДИ) в когорте временной проверки. При пиковом рабочем пороге внешняя чувствительность составила 0,81, а специфичность 0,79. Среди децилей с самым высоким риском положительная прогностическая ценность достигла 47%. Ключевые особенности, определяющие прогнозы, включали маркеры воспаления, нейропатические симптомы и картины сосудистой визуализации. Эта методология демонстрирует возможность использования машинного обучения для раннего выявления надвигающейся васкулитной нейропатии до подтверждающей биопсии, чтобы обеспечить быстрое лечение и улучшить результаты.

---

Биография автора

Зекай Чен

Зекай Чен, Китайская академия наук, Пекин, Китай

---

Библиографические ссылки

Swamidason I. T. J. Survey of data mining algorithms for intelligent computing system. Journal of Trends in Computer Science and Smart Technology. 2019; 01: 14-23. https://doi.org/10.36548/jtcsst.2019.1.002 DOI: https://doi.org/10.36548/jtcsst.2019.1.002

O'Hanlon T.P., Rider L.G., Gan L., Fannin R., Pope R.M., Burlingame R.W., et al. Classification of vasculitic peripheral neuropathies. Arthritis Care Res. 2011;.63(10):.1508-1519.

Chen B. Dynamic behavior analysis and ensemble learning for credit card attrition prediction. Modern Innovations, Systems and Technologies. 2023; 3(4): 0109-0118. https://doi.org/10.47813/2782-2818-2023-3-4-0109-0118 DOI: https://doi.org/10.47813/2782-2818-2023-3-4-0109-0118

Ante L. Predicting customer churn in credit card portfolios. IEEE Transactions on Engineering Management. 2021; 68(4): 1039-1048.

Wang S., Chen B. Credit card attrition: an overview of machine learning and deep learning techniques. Informatics. Economics. Management. 2023; 2(4): 0134-0144. https://doi.org/10.47813/2782-5280-2023-2-4-0134-0144 DOI: https://doi.org/10.47813/2782-5280-2023-2-4-0134-0144

Bastos I., Pregueiro T. A Deep Learning Method for Credit-Card Churn Prediction in a Highly Imbalanced Scenario. In Iberian Conference on Pattern Recognition and Image Analysis. Springer, Cham. 2019: 346-354.

Ziegler R., Heidtmann B., Hilgard D., Hofer S., Rosenbauer J., Holl R. DPV-Wiss-Initiative. Frequency of SMBG correlates with HbA1c and acute complications in children and adolescents with type 1 diabetes. Pediatr Diabetes. 2011; 12(1): 11-7. https://doi.org/10.1111/j.1399-5448.2010.00650.x DOI: https://doi.org/10.1111/j.1399-5448.2010.00650.x

Mehrotra A., Sharma R. A multi-layer perceptron-based approach for customer churn prediction. Procedia Computer Science. 2020; 167: 599-606. https://doi.org/10.1016/j.procs.2020.03.326 DOI: https://doi.org/10.1016/j.procs.2020.03.326

Wang S., Chen B. TopoDimRed: a novel dimension reduction technique for topological data analysis. Informatics, Economics, Management. 2023; 2(2): 0201-0213 https://doi.org/10.47813/2782-5280-2023-2-2-0201-0213 DOI: https://doi.org/10.47813/2782-5280-2023-2-2-0201-0213

Vapnik V. The nature of statistical learning theory. Springer Science & Business Media. 2013.

Wang S., Chen B. A Comparative Study of Attention-Based Transformer Networks and Traditional Machine Learning Methods for Toxic Comments Classification. Journal of Social Mathematical & Human Engineering Sciences. 2023; 1(1): 22-30. https://doi.org/10.31586/jsmhes.2023.697 DOI: https://doi.org/10.31586/jsmhes.2023.697

Vapnik V. N. An overview of statistical learning theory. IEEE Transactions on Neural Networks. 1999; 10(5): 988-999. https://doi.org/10.1109/72.788640 DOI: https://doi.org/10.1109/72.788640

Wu Y., Gao T., Wang S., Xiong Z. TADO: Time-varying Attention with Dual-Optimizer Model. In 2020 IEEE International Conference on Data Mining (ICDM 2020). IEEE, 2020, Sorrento, Italy. 2020: 1340-1345. https://doi.org/10.1109/ICDM50108.2020.00174 DOI: https://doi.org/10.1109/ICDM50108.2020.00174

Raj J., Ananthi V. Recurrent neural networks and nonlinear prediction in support vector machines. Journal of Soft Computing Paradigm. 2019; 2019: 33-40. https://doi.org/10.36548/jscp.2019.1.004 DOI: https://doi.org/10.36548/jscp.2019.1.004

Song H., Rajan D., Thiagarajan J.J, Spanias A. Trend and forecasting of time series medical data using deep learning. Smart Health. 2018; 9: 192-211.

Wang S., Chen B. Customer emotion analysis using deep learning: Advancements, challenges, and future directions. In: 3d International Conference Modern scientific research. 2023: 21-24.

Farquad M.A.H., Ravi V., Bose I. Churn prediction using comprehensible support vector machine: An analytical CRM application. Applied soft computing. 2014; 19: 31-40. https://doi.org/10.1016/j.asoc.2014.01.031 DOI: https://doi.org/10.1016/j.asoc.2014.01.031

Tang Y. Deep learning using linear support vector machines. arXiv preprint arXiv:1306.0239. 2013.

Wang S. Time Series Analytics for Predictive Risk Monitoring in Diabetes Care. International Journal of Enhanced Research in Science, Technology & Engineering. 2024; 13(2): 39-43.

Carroll J., Mane K.K. Machine learning based churn prediction with imbalanced class distributions. Open Journal of Business and Management. 2020; 8(3): 1323-1337.

Amin A., Al-Obeidat F., Shah B., Adnan A., Loo J., Anwar S. Customer churn prediction in telecommunication industry using data certainty. Journal of Business Research. 2019; 94: 290-301. https://doi.org/10.1016/j.jbusres.2018.03.003 DOI: https://doi.org/10.1016/j.jbusres.2018.03.003

Alexandru A.A., Radu L.E., Beksi W., Fabian C., Cioca D., Ratiu, L. The role of predictive analytics in preventive medicine. Rural and Remote Health. 2021; 21:.6618.

Amor N. B., Benferhat S., Elouedi Z. Qualitative classification with possibilistic decision trees. In Modern Information Processing. Elsevier. 2006: 159-169. https://doi.org/10.1016/B978-044452075-3/50014-5 DOI: https://doi.org/10.1016/B978-044452075-3/50014-5

Wang S., Chen B. A deep learning approach to diabetes classification using attention-based neural network and generative adversarial network. Modern research: topical issues of theory and practice. 2023; 5: 37-41.

Wong A., Young A.T., Liang A.S., Gonzales R., Douglas V.C., Hadley D. A primer for machine learning in clinical decision support for radiology reports. Acad Radiol. 2018; 25(8): 1097-1107. https://doi.org/10.1016/j.acra.2018.03.023 DOI: https://doi.org/10.1016/j.acra.2018.03.023