Detección y explicación de anomalías en datos de salud

Resumen El crecimiento de las bases de datos en el ámbito de la salud abre múltiples puertas a la tecnología de aprendizaje automático e inteligencia artificial. Muchos dispositivos médicos están disponibles en el campo médico; sin embargo, los errores médicos siguen siendo un desafío grave. Se han desarrollado diferentes algoritmos para identificar y resolver errores médicos, como la detección de lecturas anómalas, condiciones de salud anómalas de un paciente, etc. Sin embargo, no logran responder por qué esas entradas se consideran una anomalía. Esta brecha de investigación conduce a un problema de minería de aspectos atípicos. El problema de la minería de aspectos atípicos busca descubrir el conjunto de características (también conocido como subespacio) en el que el punto de datos dado es dramáticamente diferente a los demás. En este documento, presentamos un marco que detecta anomalías en datos de salud y luego proporciona una explicación de las anomalías. Este trabajo tiene como objetivo detectar anomalías de manera efectiva y eficiente y explicar por qué se consideran anomalías mediante la detección de aspectos atípicos. Primero, reintroducimos cuatro técnicas de detección de anomalías y algoritmos de minería de aspectos atípicos. Luego, evaluamos el rendimiento de las técnicas de detección de anomalías y elegimos el mejor algoritmo de detección de anomalías. Más tarde, detectamos la k-anomalía superior como una consulta y detectamos su aspecto atípico. Por último, evaluamos su rendimiento en 16 conjuntos de datos del mundo real en el ámbito de la salud. Los resultados experimentales muestran que la última medida de minería de aspectos atípicos basada en aislamiento, SiNNE, tiene un rendimiento sobresaliente en esta tarea y resultados prometedores.