Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

Wyszukujesz frazę "grupowanie trajektorii" wg kryterium: Temat


Wyświetlanie 1-1 z 1
Tytuł:
Grupowanie trajektorii w analizie wyników badań klinicznych
Clustering trajectories in clinical researches
Autorzy:
Mazurek, M.
Powiązania:
https://bibliotekanauki.pl/articles/404019.pdf
Data publikacji:
2016
Wydawca:
Polskie Towarzystwo Symulacji Komputerowej
Tematy:
uczenie maszynowe
grupowanie trajektorii
algorytmy grupowania
analiza wyników badań klinicznych
statystyka
machine learning
trajectories clustering
clustering algorithms
clinical trials data analysis
statistics
Opis:
Wyniki badań klinicznych mogą tworzyć wielowymiarowe szeregi czasowe, które opisują zmiany w czasie istotnych parametrów opisujących stan zdrowia i kondycję pacjenta. Analiza tego typu danych polega na wyodrębnieniu typowych przebiegów - trajektorii w procesie analizy skupień. Klasteryzacja szeregów medycznych wiąże się z transformacją danych wejściowych: regularyzacją szeregu czasowego, uzupełnieniem brakujących danych, standaryzacją zmiennych. W dalszej kolejności należy dobrać liczbę skupień oraz wykonać grupowanie metodą k-średnich, DTW, PDC lub inną. Te algorytmy są dostępne w otwartych środowiskach obliczeń statystycznych, jednak aby ułatwić analitykom ich zastosowanie, został zbudowany pakiet medclust, który dostarcza wysokopoziomowych procedur, domyślnie sparametryzowanych do wyszukiwania skupień.
Clinical researches often involves measuring time-varying parameters of body condition, which forms multidimensional time-series. Typical, representative trajectories can be extracted with clustering algorithms. In order to apply clustering algorithms, raw data has to be preprocessed and this includes regularization of time series, imputation of missing values, values standardization. Next, one of time-series clustering can be applied: Dynamic Time Warping or Permutation Distribution Clustering. These algorithms are already available in open environments for statistical computing like R. In order to facilitate application of the clustering algorithms to the clinical reasarch data, new R package medclust was implemented. It provides analysts with ready-to-use high-level procedures with predefined set of parameters values to analyze clinical trajectories data.
Źródło:
Symulacja w Badaniach i Rozwoju; 2016, 7, 1-2; 15-24
2081-6154
Pojawia się w:
Symulacja w Badaniach i Rozwoju
Dostawca treści:
Biblioteka Nauki
Artykuł
    Wyświetlanie 1-1 z 1

    Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies