Data Analytics for Traditional Chinese Medicine Research

این جلد ارائه شده بررسی می‌کند که چگونه داده‌کاوی، یادگیری ماشین، و تکنیک‌های آماری مشابه می‌توانند انواع مشکلات ناشی از تحقیقات طب سنتی چینی (TCM) را تجزیه و تحلیل کنند. تمرکز این کتاب بر مطالعه داده های بالینی و تجزیه و تحلیل داده های گیاهی است. چالش های پرداخته شده عبارتند از تشخیص، تجزیه و تحلیل نسخه، کشف مواد تشکیل دهنده، رمزگشایی مکانیسم مبتنی بر شبکه، روابط الگو-فعالیت، و انفورماتیک پزشکی. هر نویسنده نشان می‌دهد که چگونه از یادگیری ماشین، داده‌کاوی، آمار و سایر تکنیک‌های تحلیلی برای حل چالش‌های تحقیقاتی خود استفاده کرده است، اگر این تکنیک‌ها چقدر موفق بوده‌اند، هر بینش ذکر شده و چگونه این بینش‌ها مناسب‌ترین کار آینده را تعریف می‌کنند. . به خوانندگان فرصت داده می شود تا پیچیدگی تشخیص و تصمیم درمانی، دشواری مدل سازی اثربخشی از نظر گیاهان دارویی، شناسایی ترکیبات سازنده در یک گیاه، رابطه بین این ترکیبات و نتایج بیولوژیکی را درک کنند تا پیش بینی های مبتنی بر شواهد بتوانند ساخته شده است. تجزیه و تحلیل داده ها برای تحقیقات طب سنتی چینی با تکیه بر طیف گسترده ای از مشارکت کنندگان با تجربه، مرجع ارزشمندی برای متخصصان و محققانی است که در انفورماتیک سلامت و داده کاوی کار می کنند. این تکنیک‌ها همچنین برای آمار زیست‌شناسان و پزشکان سلامت علاقه‌مند به طب سنتی و تجزیه و تحلیل داده‌ها مفید است.

This contributed volume explores how data mining, machine learning, and similar statistical techniques can analyze the types of problems arising from Traditional Chinese Medicine (TCM) research. The book focuses on the study of clinical data and the analysis of herbal data. Challenges addressed include diagnosis, prescription analysis, ingredient discoveries, network based mechanism deciphering, pattern-activity relationships, and medical informatics. Each author demonstrates how they made use of machine learning, data mining, statistics and other analytic techniques to resolve their research challenges, how successful if these techniques were applied, any insight noted and how these insights define the most appropriate future work to be carried out. Readers are given an opportunity to understand the complexity of diagnosis and treatment decision, the difficulty of modeling of efficacy in terms of herbs, the identification of constituent compounds in an herb, the relationship between these compounds and biological outcome so that evidence-based predictions can be made. Drawing on a wide range of experienced contributors, Data Analytics for Traditional Chinese Medicine Research is a valuable reference for professionals and researchers working in health informatics and data mining. The techniques are also useful for biostatisticians and health practitioners interested in traditional medicine and data analytics.