Machine Learning Approach to Extract Diagnostic and Prognostic Thresholds: Application in Prognosis of Cardiovascular Mortality

Abstract

Machine learning has become a powerful tool for analysing medical domains, assessing the importance of clinical parameters, and extracting medical knowledge for outcomes research. In this paper, we present a machine learning method for extracting diagnostic and prognostic thresholds, based on a symbolic classification algorithm called REMED. We evaluated the performance of our method by determining new prognostic thresholds for well-known and potential cardiovascular risk factors that are used to support medical decisions in the prognosis of fatal cardiovascular diseases. Our approach predicted 36% of cardiovascular deaths with 80% specificity and 75% general accuracy. The new method provides an innovative approach that might be useful to support decisions about medical diagnoses and prognoses.

Machine learning para análises preditivas em saúde: exemplo de aplicação para predizer óbito em idosos de São Paulo, Brasil

“…Outra característica que pode influenciar o desempenho geral de modelos preditivos em saúde é o fato de a resposta de interesse apresentar distribuição desbalanceada entre suas classes, ou seja, maior frequência para a classe de indivíduos com desfecho ausente e, por outro lado, uma classe minoritária, representativa de indivíduos com resposta positiva que, geralmente, é a classe mais importante, mas também a que sofre com mais classificações erradas. Tal situação ocorre porque os algoritmos, para alcançar melhor desempenho (mais acertos), tendem a priorizar especificidade em vez de sensibilidade 29 . Algumas alternativas para reduzir o impacto do desbalanceamento na performance preditiva são representadas pela escolha de pontos de corte alternativos para a probabilidade predita, para reduzir a taxa de erro da classe menos frequente; pela modificação dos pesos (probabilidade a priori) das observações de treinamento cuja resposta de interesse está presente; e por aplicação de técnicas de reamostragem post hoc (up e down sampling e SMOTE -Synthetic Minority Over-sampling Technique), utilizadas para balancear as classes da resposta de interesse 19 .…”

“…É importante destacar que mesmo um modelo preditivo com bom poder discriminatório e bem calibrado pode não se traduzir em melhores cuidados à saúde, pois uma predição acurada não diz o que deve ser feito para modificar o desfecho sob análise 14 . Além disso, modelos preditivos de óbito, bem como de doenças crônicas podem basear-se não só em fatores de risco modificáveis, mas também em características biológicas não modificáveis, como idade e sexo, que, embora contribuam para a performance preditiva do modelo, podem não ser relevantes em estratégias de prevenção ou controle 29 .…”

Inverse Problems in Geodynamics Using Machine Learning Algorithms

“…However, as our abilities in obtaining more reliable data at higher resolution both in space and time increase, our demands for alternate techniques for processing and manipulating large amount of data also increase. Although the application of machine learning techniques in some scientific and nonscientific fields extends to few decades ago (e.g., Dysart, 1996), they have been employed increasingly in the past years for classification and event predictions, for example, in geoscience (DeVries et al, 2017), biology (Hunter, 1990;Rawlings & Fox, 1994;Vidyasagar, 2014), medicine (Mena et al, 2012), medical diagnosis and prediction (Chen et al, 2007;Foster et al, 2014), astrophysics (Banerji et al, 2010;Polsterer et al, 2014;VanderPlas et al, 2012), and even in fusion power (Tang et al, 2016). Atkins et al (2016) employ Bayesian learning method to constrain selected mantle parameters.…”

“…Atkins et al (2016) employ Bayesian learning method to constrain selected mantle parameters. Although the application of machine learning techniques in some scientific and nonscientific fields extends to few decades ago (e.g., Dysart, 1996), they have been employed increasingly in the past years for classification and event predictions, for example, in geoscience (DeVries et al, 2017), biology (Hunter, 1990;Rawlings & Fox, 1994;Vidyasagar, 2014), medicine (Mena et al, 2012), medical diagnosis and prediction (Chen et al, 2007;Foster et al, 2014), astrophysics (Banerji et al, 2010;Polsterer et al, 2014;VanderPlas et al, 2012), and even in fusion power (Tang et al, 2016). In recent years machine learning techniques have found their application in many fields of geoscience and the related fields as groundwater studies (Paradis et al, 2014;Sahoo et al, 2017), predictions of earthquakes from laboratory experiments (Rouet-Leduc et al, 2017), prediction of seafloor sediment porosity (Martin et al, 2015), forecasting of ozone peaks and concentration based on the previous observations (Mallet et al, 2009), SHAHNAS ET AL.…”

Comparação da performance de algoritmos de machine learning para a análise preditiva em saúde pública e medicina

“…Uma característica inerente aos dados de saúde refere-se à distribuição desbalanceada das classes de respostas categóricas, ou seja, maior frequência para a classe de indivíduos saudáveis e, por outro lado, uma classe minoritária, representativa de indivíduos doentes ou com resposta desfavorável. Geralmente, a classe minoritária é a mais importante e também a que mais sofre com classificações erradas, pois os algoritmos, para alcançar melhor desempenho (mais acertos), tendem a priorizar a especificidade em vez da sensibilidade, o que pode implicar redução do desempenho de modelos preditivos quando aplicado a novos dados (MENA et al, 2012).…”