무관련 기계 학습이 류성 관절염 환자에게 분류 분석의 적용: 복센터 이탈리아 팀의 CV 위험 모델에서 얻은 통찰력.

건강 관리 개념이 점점 더 심화되고 있으며, 과학적인 건강 관리 지식도 점점 더 널리 퍼지고 있으며, 대중의 관심의 대상이 됩니다. 류마티스 관절염 (RA) 환자들은 0 (CV) 의 위험을 크게 증가시킬 수 있지만, 기존의 10 년 평가 도구는 종종 좋지 않습니다. 이 연구는 감독되지 않은 기계 학습 (uML) 집합을 평가하여 다른 주요 1 (MACE) 사건 (MACE) 와 관련된 RRA 환자들의 특정 발병 패턴을 식별할 수 있는지 여부를 평가하고, 5년 이상 MACE 발병률을 추적했습니다.

이 연구는 2010년 ACR/EULAR 분류 기준을 충족하는 RA 환자를 2019년 1월에 포함하고 5년 이상 MACE 발생률을 추적했다. 이 연구를 통해 우리는 무관련 기계 학습 (uML) 집합이 특정 RA 환자의 발병 패턴을 식별하는 데 우위를 평가하고 5년 이상 MACE 발생률을 추적하여 RA 환자들의 질병 관리에 대한 더 많은 과학적 근거와 참고 방법을 제공하고자 하였다. 전통적인 CV 위험 요소와 SCORE2 추정치를 포함한 임상 데이터와 인구 통계 자료를 수집합니다.

혼합 데이터 요인 분석 (FAMD) 은 혼합 데이터 유형에 대한 일반화된 주요 구성 요소 분석을 위한 PCA의 확장입니다. Bootstrapized eigenvalue distribution determines the number of FAMD components for clustering, followed by Hierarchical Clustering on Principal Components using Ward's criterion and Euclidean distance . An XGBoost model a.

이 내용은 국제적으로 공개된 연구결과에 근거하여 건강보험심사평가원 자료로 구성되어 있으며, 진료적인 권고사항이 아닌 것으로 알려야 합니다. 건강상의 의문이 있는 경우에는 전문의의와 상담하시기 바랍니다.