まばらなラボ値の軌跡からの病気の進行の学習属性

疾患の症状には不均一性があるため、疾患管理と臨床研究のために、特定の集団における疾患の進行のパターンを理解することが不可欠です。疾患の状態は、多くの場合、1つ以上の生理学的測定の繰り返し記録によって要約されます。その結果、疾患の進行パターンを特徴付けるために、集団サンプルに対するこれらの生理学的測定値の歴史的価値を使用できます。クレアチニン測定の軌跡に基づいて、慢性腎疾患（CKD）患者のコホート内でサブグループを特定するためのスパース機能データをクラスタリングする方法を使用します。疾患進行の異なるパターンを示す2つのサブグループが、進行パターンの最大差に対応する臨床属性でどのように比較できるかを実証することを実証します。2つのサブグループを区別する重要な属性は、CKDに関連する公開された文献臨床診療でサポートされているようです。

There is heterogeneity in the manifestation of diseases, therefore it is essential to understand the patterns of progression of a disease in a given population for disease management as well as for clinical research. Disease status is often summarized by repeated recordings of one or more physiological measures. As a result, historical values of these physiological measures for a population sample can be used to characterize disease progression patterns. We use a method for clustering sparse functional data for identifying sub-groups within a cohort of patients with chronic kidney disease (CKD), based on the trajectories of their Creatinine measurements. We demonstrate through a proof-of-principle study how the two sub-groups that display distinct patterns of disease progression may be compared on clinical attributes that correspond to the maximum difference in progression patterns. The key attributes that distinguish the two sub-groups appear to have support in published literature clinical practice related to CKD.