新方法称为通过稀疏嵌入回归或 KESER 进行知识提取，最近发表在npj Digital Medicine上上。该过程整合了来自两个大型机构(弗吉尼亚州和波士顿的合作伙伴医疗保健)的电子健康记录数据，并提供自动特征选择，从而导致表型识别算法和知识发现。
“KESER 提供了对临床知识之间关系的高级视图，我们在个人或群体层面照顾患者时通常无法看到，” VA 波士顿 KESER 首席研究员兼副教授 Katherine Liao 博士说哈佛医学院医学博士。“我们期待着将研究的方法和结果从临床研究的应用转化为临床护理的进步。”
该项目是 Drs 指导的表型组学核心工作的一部分。根据 VA 研究与发展办公室的说法，来自 VA 波士顿和哈佛的 Kelly Cho 和 Mike Gaziano 参加了 VA 百万退伍计划或 MVP，这是一个“了解基因、生活方式和暴露如何影响健康和疾病的国家研究计划” MVP 网站。
2016 年，ORNL 开始与 VA 就 MVP-CHAMPION 合作，这是 MVP 计划下的一项大数据计划，旨在创建一个大型精准医疗平台来托管 VA 庞大的医疗记录数据集，其中包含约 2400 万退伍的记录.为了加强跨领域创新以支持这个联合 VA-DOE 计划下的众多研究项目，ORNL 与来自 VA 波士顿和哈佛的 MVP Data Core 密切合作，以确定要追求的具体研究领域。其中包括回答这个问题的努力：我们需要在电子健康记录中找到哪些元素才能正确识别给定的表型?
使用他们认为在美国用于此类研究的最大医疗保健数据队列，该团队着手自动识别表型关系，同时提供对基础机器学习假设和决策过程的可见性。
标签：
免责声明：本文由用户上传，如有侵权请联系删除！