-
题名基于时间光滑正则化的序列诊疗数据融合方法
被引量：4
- 1
-
-
作者
郑毅
胡祥培
-
机构
大连理工大学经济管理学院
-
出处
《管理科学》
CSSCI
北大核心
2021年第4期61-70,共10页
-
基金
国家自然科学基金(71421001)。
-
文摘
电子病历系统正以前所未有的广度和深度渗透到医疗各个领域,为提高慢性病患者疾病预测分析准确率,为疾病管理水平创造新机遇,如何实现诊疗数据有效融合和分析、提高诊疗大数据分析能力,进而增强疾病管理的有效性和科学性、提高患者满意度成为行业和学界专家共同关注的热点问题。针对疾病预测分析中序列诊疗数据融合难题,利用机器学习原理和稀疏正则化原理提出基于时间光滑正则化的序列诊疗数据融合(TSRSCDF)方法。该方法考虑结构稀疏性与不同阶段诊疗数据源的时间关联性的有机结合,对序列诊疗数据构建基于时间光滑正则化的融合模型,采用近端加速梯度下降优化算法对模型参数进行求解。采用阿尔茨海默神经影像学计划数据库中的序列诊疗数据进行阿尔茨海默病诊断实验,将建立的方法与单阶段诊疗数据分析方法和相关序列诊疗数据分析方法进行对比,使用AUC值对模型的性能进行评价。研究结果表明,TSRSCDF方法具有选择各阶段相同特征的特性,且时间光滑正则化罚函数使同一特征相邻阶段的权重系数差值减少,能够保持相同特征相邻阶段参数值的一致性。从实验结果看,与利用单阶段诊疗数据的疾病预测方法相比,TSRSCDF方法具有综合各检查指标中信息变化的优势,最终提升了方法的疾病诊断准确性;与其他序列诊疗数据分析方法相比,TSRSCDF方法具有较高的预测性能;同时,TSRSCDF方法的疾病预测性能对于预测时间窗长度的改变具有稳定性。TSRSCDF方法在预测精度上比同类序列诊疗数据分析方法有很大提升,能够显著提高疾病诊断准确性,将数据融合理论扩展到疾病建模和疾病预测分析领域,为提高诊疗数据分析的科学性和准确性提供新视角,为医疗工作者科学实施慢性病患者疾病管理提供决策支持,对于提高患者的生命质量和满意度具有
-
关键词
数据融合
时间光滑正则化
结构化稀疏
诊疗数据分析
疾病诊断
-
Keywords
data fusion
time smoothing regularization
structured sparsity
clinical data analysis
disease diagnosis
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
-
