新方法稱為通過稀疏嵌入回歸或 KESER 進行知識提取，最近發(fā)表在npj Digital Medicine上上。該過程整合了來自兩個大型機構(gòu)(弗吉尼亞州和波士頓的合作伙伴醫(yī)療保健)的電子健康記錄數(shù)據(jù)，并提供自動特征選擇，從而導(dǎo)致表型識別算法和知識發(fā)現(xiàn)。
“KESER 提供了對臨床知識之間關(guān)系的高級視圖，我們在個人或群體層面照顧患者時通常無法看到，” VA 波士頓 KESER 首席研究員兼副教授 Katherine Liao 博士說哈佛醫(yī)學(xué)院醫(yī)學(xué)博士。“我們期待著將研究的方法和結(jié)果從臨床研究的應(yīng)用轉(zhuǎn)化為臨床護理的進步。”
該項目是 Drs 指導(dǎo)的表型組學(xué)核心工作的一部分。根據(jù) VA 研究與發(fā)展辦公室的說法，來自 VA 波士頓和哈佛的 Kelly Cho 和 Mike Gaziano 參加了 VA 百萬退伍計劃或 MVP，這是一個“了解基因、生活方式和暴露如何影響健康和疾病的國家研究計劃” MVP 網(wǎng)站。
2016 年，ORNL 開始與 VA 就 MVP-CHAMPION 合作，這是 MVP 計劃下的一項大數(shù)據(jù)計劃，旨在創(chuàng)建一個大型精準(zhǔn)醫(yī)療平臺來托管 VA 龐大的醫(yī)療記錄數(shù)據(jù)集，其中包含約 2400 萬退伍的記錄.為了加強跨領(lǐng)域創(chuàng)新以支持這個聯(lián)合 VA-DOE 計劃下的眾多研究項目，ORNL 與來自 VA 波士頓和哈佛的 MVP Data Core 密切合作，以確定要追求的具體研究領(lǐng)域。其中包括回答這個問題的努力：我們需要在電子健康記錄中找到哪些元素才能正確識別給定的表型?
使用他們認為在美國用于此類研究的最大醫(yī)療保健數(shù)據(jù)隊列，該團隊著手自動識別表型關(guān)系，同時提供對基礎(chǔ)機器學(xué)習(xí)假設(shè)和決策過程的可見性。
標(biāo)簽：
免責(zé)聲明：本文由用戶上傳，與本網(wǎng)站立場無關(guān)。財經(jīng)信息僅供讀者參考，并不構(gòu)成投資建議。投資者據(jù)此操作，風(fēng)險自擔(dān)。 如有侵權(quán)請聯(lián)系刪除！