Temporal case matching with information value maximization for predicting physiological states

با افزایش سریع حجم داده های پزشکی موقتی، پیش بینی وضعیت های فیزیولوژیکی نقش مهمی در طبقه بندی موارد پزشکی دارد. در این مطالعه، ما یک چارچوب طبقه بندی جدید زمانی ارائه می دهیم که مدل سازی چند دانه بندی را با تصمیم گیری هماهنگ می کند. به طور خاص، ما یک روش برای انتشار موارد مربوطه برای پیش بینی موارد غیرمترجمی زمانی و بهینه سازی اطلاعات را ارائه می دهیم، که مقداری است که توسط ماژول بازپرداخت ویژگی در پاسخ به پرسش ها به دست آمده است. روش پیشنهادی، تطبیق پرونده چندگانه با تطابق با شباهت زمانی را تسهیل می کند و متخصصان را با روش مفیدی برای تفکر منطقی مبتنی بر مورد قضیه ارائه می دهد. در روش پیشنهادی، تابع هدف در بهینه سازی عدد صحیح مختلط دو عدد، اندازه مجموعه های ویژگی های بازسازی شده و مقادیر اطلاعات آنها است که از کارکرد اطلاعات اضافی در برابر هزینه ترکیب ترکیبی بسته به متغیر تصمیم استفاده می کند. بر خلاف متداول سازگاری موردی که از تمام ویژگیهای زمانی استفاده می کند، روش پیشنهادی مقررات طبقه بندی موثر را بر اساس مجموعه ای از ویژگی های زمانی مطلوب ایجاد می کند. علاوه بر این، این روش همچنین آنتروپی چند مقیاس را برای استخراج ویژگی های پویا از داده های زمان بندی چند متغیره تعدیل می کند. آزمایش عددی اثربخشی چارچوب مدل سازی و استحکام قوانین طبقه بندی را اثبات می کند.