Prädiktive Modellierung biomedizinischer zeitlicher Daten in Gesundheitsanwendungen: Rückblick und zukünftige Richtungen

Die prädiktive Modellierung klinischer Zeitseriendaten ist aufgrund verschiedener Faktoren herausfordernd. Eine solche Schwierigkeit ist das Vorhandensein fehlender Werte, was zu unregelmäßigen Daten führt. Eine weitere Herausforderung besteht darin, Korrelationen über multiple Dimensionen zu erfassen, um genaue Vorhersagen zu erzielen. Darüber hinaus ist es entscheidend, die zeitliche Struktur zu berücksichtigen, die sowohl kurzfristige als auch langfristige wiederkehrende Muster umfasst, um ein umfassendes Verständnis des Krankheitsverlaufs zu erlangen und um präzise Vorhersagen für personalisierte Gesundheitsversorgung zu treffen. In kritischen Situationen sind Modelle, die mehrschrittige Vorhersagen treffen können, entscheidend für die Früherkennung. Diese Übersicht betont die Notwendigkeit von Vorhersagemodellen, die in der Lage sind, die genannten Herausforderungen effektiv anzugehen. Die Auswahl der Modelle muss auch die datenspezifischen Einschränkungen während des Modellierungsprozesses berücksichtigen. Zeitreihenmodelle können in statistische, machine learning und deep learning Modelle unterteilt werden. Diese Übersicht konzentriert sich auf die Hauptmodelle innerhalb dieser Kategorien und diskutiert deren Fähigkeit, die genannten Herausforderungen zu bewältigen. Darüber hinaus bietet dieses Papier einen kurzen Überblick über eine Technik, die darauf abzielt, die Einschränkungen eines bestimmten Modells zu mildern, um seine Eignung für klinische Vorhersagen zu verbessern. Es werden auch Ensemble-Vorhersagemethoden untersucht, die darauf ausgelegt sind, die Stärken verschiedener Modelle zu kombinieren und gleichzeitig deren jeweilige Schwächen zu reduzieren, und schließlich werden hierarchische Modelle besprochen. Abgesehen von den technischen Details, die in diesem Dokument bereitgestellt werden, gibt es bestimmte Aspekte in der Forschung zur prädiktiven Modellierung, die als mögliche Hindernisse bei der Implementierung von Modellen mit biomedizinischen Daten aufgetreten sind. Diese Hindernisse werden diskutiert und führen zu den zukünftigen Perspektiven des Modellbaus mit künstlicher Intelligenz im Gesundheitswesen.