本頁只刊出中文翻譯與中文說明；英文原文請見下方原文連結。
原文連結
論文資訊
- 類型：已發表論文
- 日期：2022-09-02
摘要
慢性疾病在其臨床特徵和進展方面表現出很大的異質性。我們開發了新型資料驅動、基於網路的軌跡輪廓聚類 (TPC) 演算法，用於 1) 識別疾病亞型和 2) 早期預測亞型/疾病進展模式。 TPC 是一種易於推廣的方法，透過對具有相似疾病軌跡特徵的患者進行聚類來識別亞型，不僅基於帕金森氏症 (PD) 的不同嚴重程度，還基於其複雜的進化模式。 TPC 源自於將患者與疾病變數連結的二分網路。將我們的 TPC 演算法應用於 PD 臨床資料集，我們確定了 3 個不同的亞型/患者群，每個亞型/患者群都有特徵性的進展概況。我們表明，TPC 可以提前 4 年預測患者的疾病亞型，在縱向測試隊列中準確率達到 72%。此外，我們證明其他類型的數據（例如遺傳數據）可以無縫整合到 TPC 演算法中。總之，以 PD 為例，我們提出了一種在多維縱向資料集中進行亞型識別以及個別患者亞型早期預測的有效方法。