Bayesian inference of a new Mallows model for characterising symptom sequences applied in primary progressive aphasia

要約

機械学習モデルは、データ駆動型の方法で多様なデータセットを理解する可能性を提供し、個々の疾患経験に対する洞察を強化し、公平な医療を確保します。
この研究では、症状シーケンスを特徴付けるためのベイズ推論と、それに関連するモデリングの課題を調査します。
カスタム MCMC フィッティングを使用して、部分的なランキングと右打ち切りデータを考慮して Mallows モデルを適合させました。
合成データと一次進行性失語症データセットを含む私たちの評価は、平均順序を明らかにし、ランキングの分散を推定する際のモデルの有効性を強調しています。
これにより、症状発生の臨床的理解が深まる可能性があります。
ただし、私たちの作業では、モデルのスケーラビリティと小さいデータセット サイズに関する制限に遭遇します。

要約(オリジナル)

Machine learning models offer the potential to understand diverse datasets in a data-driven way, powering insights into individual disease experiences and ensuring equitable healthcare. In this study, we explore Bayesian inference for characterising symptom sequences, and the associated modelling challenges. We adapted the Mallows model to account for partial rankings and right-censored data, employing custom MCMC fitting. Our evaluation, encompassing synthetic data and a primary progressive aphasia dataset, highlights the model’s efficacy in revealing mean orderings and estimating ranking variance. This holds the potential to enhance clinical comprehension of symptom occurrence. However, our work encounters limitations concerning model scalability and small dataset sizes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google