Конструювання ознак для застосування навчання машин при обробці клінічних даних

Abstract

У статті досліджено створення ознак для застосування машинного навчання (ML) під час оброблення клінічних даних. Зосереджено увагу на бінарній класифікації даних часових рядів. Дослідження демонструє ефективність використання перетворення Хаара для підвищення значущості ознак і підвищення ефективності класифікації. Перетворення Хаара дає змогу підвищити точність прогнозування за рахунок збільшення ваги важливих параметрів, що особливо важливо під час опрацювання складних клінічних даних. Резуль- тати дослідження показують значне збільшення площі під кривою робочих характеристик приймача (AUC-ROC) з 0,44 для базової моделі до 0,82 для моделі з перетворенням Хаара, що свідчить про істотне підвищення точності прогнозування. Методологія, описана в статті, охоплює різні етапи, зокрема попередню обробку даних, навчання моделі за допомогою алгоритму XGBoost та оцінку продуктивності за допомогою кривих AUC-ROC. Попереднє оброблення передбачає очищення та нормалізацію даних, що є важливими кроками для забезпечення високої якості результатів машинного навчання. Особливу увагу приділено використанню даних Інтернету речей (IoT) у клінічних умовах, що відкриває нові можливості для прогнозної аналітики та прийняття рішень у сфері охорони здоров’я. Підходи, описані в статті, можуть бути застосовані для аналізу великої кількості інформації, зібраної з різних медичних пристроїв, підключених до мережі IoT. Це дасть змогу робити точніші прогнози і приймати обґрунтовані рішення на основі реальних даних, що сприяє покращенню якості медичних послуг і підвищенню рівня догляду за пацієнтами. Результати дослідження підкреслюють потенціал методів машинного навчання в закладах охорони здоров’я для підвищення точності прогнозів і прийняття рішень. Майбутні напрями досліджень можуть передбачати вивчення додаткових методів розроблення ознак і вико- ристання передових алгоритмів машинного навчання для подальшого підвищення корисності клінічної аналітики даних IoT. Зокрема, вивчення можливостей глибокого навчання і нейронних мереж може відкрити нові горизонти для аналізу й обробки клінічних даних.

This paper presents a study of feature engineering for the application of machine learning (ML) in clinical data processing, focusing on binary classification of time series data. The study demonstrates the effectiveness of using the Haar transform to enhance feature importance and improve classification performance. The Haar transform allows for increased predictive accuracy by augmenting the weight of significant features, which is especially crucial in handling complex clinical data. The research results show a substantial increase in the area under the receiver operating characteristic curve (AUC-ROC) from 0.44 for the baseline model to 0.82 for the Haar transform model, indicating significant improvements in predictive accuracy. The methodology described in the paper encompasses various stages, including data preprocessing, model training using the XGBoost algorithm, and performance evaluation via AUC-ROC curves. Data preprocessing involves cleaning and normalizing the data, critical steps to ensure high-quality machine learning outcomes. Special attention is given to using Internet of Things (IoT) data in clinical settings, which opens new possibilities for predictive analytics and decision-making in healthcare. The approaches described in the paper can be utilized to analyze large amounts of information collected from various medical devices connected to the IoT network. This allows for more accurate predictions and informed decisions based on real data, contributing improving of medical services and patient care quality. The research results underscore the potential of machine learning methods in healthcare institutions to enhance predictive accuracy and decision-making. Future research directions may include exploring additional feature engineering methods and using advanced machine learning algorithms to further increase the utility of clinical IoT data analytics. In particular, exploring the possibilities of deep learning and neural networks may open new horizons for clinical data analysis and processing.