Ứng dụng của việc học máy không giám sát trong phân tích phân nhóm ở những bệnh nhân bị viêm khớp ru

Các khái niệm quản lý sức khỏe ngày càng sâu sắc trong tâm hồn người ta, và kiến thức khoa học về chăm sóc sức khỏe đang được phổ biến và đáng chú ý cho công chúng. Bệnh nhân RA có nguy cơ tăng đáng kể của VPH, tuy nhiên các công cụ ước tính 10 năm hiện có thường không hoạt động tốt. Nghiên cứu này đánh giá liệu nhóm uML có thể xác định các mô hình bệnh cụ thể của bệnh nhân RA liên quan đến các sự kiện VPH chính khác nhau MACE, đồng thời theo dõi tỷ lệ bệnh MACE hơn 5 năm. Nghiên cứu này được tiến hành vào tháng 1 năm 2019 với những bệnh nhân RA đáp ứng tiêu chuẩn phân loại ACR/EULAR năm 2010 và theo dõi tỷ lệ mắc MACE của họ trong hơn 5 năm. Thông qua nghiên cứu này, chúng tôi đã đánh giá ưu thế của tập hợp máy học không giám sát (uML) trong việc xác định các mô hình mắc bệnh của bệnh nhân RA cụ thể, đồng thời theo dõi tỷ lệ mắc MACE trong hơn 5 năm để cung cấp thêm cơ sở khoa học và phương pháp tham khảo để quản lý bệnh nhân RA. Dữ liệu lâm sàng (bao gồm cả các yếu tố nguy cơ CV truyền thống và ước tính SCORE2) và dữ liệu thống kê (bao gồm cả các yếu tố nguy cơ CV truyền thống và ước tính SCORE2) được thu thập. Phân tích yếu tố dữ liệu hỗn hợp (FAMD) là một sự mở rộng của PCA để phân tích các thành phần chính của các loại dữ liệu hỗn hợp, được áp dụng cho việc loại bỏ dữ liệu quan sát thiếu hụt của Prince trong Python, phiên bản 3.9). Bootstrapized eigenvalue distribution determined 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. cần phải nêu rõ rằng các nội dung trên được sắp xếp dựa trên kết quả nghiên cứu công khai quốc tế, để tham khảo cho HealthCop và không tạo thành các khuyến nghị lâm sàng. Nếu có câu hỏi về sức khỏe, hãy tham khảo ý kiến của các bác sĩ chuyên nghiệp.