Machine Learning in Medicine - Cookbook Two

میزان پایگاه داده های پزشکی داده ها هر 20 ماه دو برابر می شود و پزشکان در تجزیه و تحلیل آنها دچار مشکل می شوند. همچنین، تجزیه و تحلیل سنتی داده‌ها در شناسایی نقاط پرت و الگوها در کلان داده‌ها مشکل دارد و داده‌ها با متغیرهای مواجهه/نتایج متعدد و قواعد تحلیلی برای نظرسنجی‌ها و پرسشنامه‌ها، روش‌های رایج جمع‌آوری داده‌ها در حال حاضر، اساساً وجود ندارد. در نتیجه، تصمیم گیری صحیح سلامت مبتنی بر داده ها به زودی غیرممکن خواهد بود.

بدیهی است که زمان آن فرا رسیده است که متخصصان پزشکی و سلامت بر عدم تمایل خود به استفاده از روش های یادگیری ماشین تسلط پیدا کنند و این انگیزه اصلی نویسندگان برای تکمیل یک مطالعه بود. مجموعه ای از سه کتاب درسی با عنوان "یادگیری ماشین در پزشکی بخش اول، دوم و سوم، اسپرینگر هایدلبرگ آلمان، 2012-2013"، که به روشی غیر ریاضی بیش از شصت روش یادگیری ماشین را توصیف می کند، همانطور که در نرم افزار آماری SPSS و سایر برنامه های نرم افزاری اصلی موجود است. اگرچه استقبال خوبی شد، اما متوجه شدیم که پزشکان و دانشجویان اغلب وقت کافی برای خواندن کل کتاب‌ها ندارند و درخواست یک کتاب کوچک، بدون اطلاعات زمینه و بحث‌های نظری و برجسته کردن جزئیات فنی می‌کنند. یک کتاب آشپزی 100 صفحه ای با عنوان \"یادگیری ماشین در پزشکی - کتاب آشپزی یک\" با نمونه های داده موجود در extras.springer.com برای ارزیابی خود و با ارجاع به کتاب های درسی بالا برای اطلاعات پیشینه تولید کرد. در حال حاضر در تکمیل این کتاب آشپزی متوجه شدیم که بسیاری از روش های ضروری پوشش داده نشده اند. جلد فعلی با عنوان "آموزش ماشینی در پزشکی - کتاب آشپزی دوم" مکمل جلد اول است و همچنین برای ارائه دید متعادل تری از این رشته و بنابراین به عنوان یک مطالعه ضروری نه تنها برای پزشکان و دانشجویان، بلکه همچنین در نظر گرفته شده است. برای هر کسی که در فرآیند و پیشرفت سلامت و مراقبت های بهداشتی دخیل است.

همانند یادگیری ماشینی در پزشکی - کتاب آشپزی یک، کار فعلی تجزیه و تحلیل های گام به گام بیش از بیست روش یادگیری ماشین را توصیف می کند، که به همین ترتیب هستند. ، بر اساس سه روش اصلی یادگیری ماشین:

• روش‌شناسی خوشه‌ای (فصل 1-3)
  
• روش‌شناسی خطی (فصل 4-11)
  
• روش شناسی قوانین (فصل 12-20)

در extras.springer.com فایل های داده نمونه ها و همچنین XML (علامت توسعه یافته) آورده شده است. زبان بالا)، فایل های SPS (Syntax) و ZIP (فشرده شده) برای پیش بینی نتیجه در بیماران آینده. علاوه بر نسخه‌های فشرده روش‌ها، که به طور کامل در سه کتاب درسی بالا توضیح داده شده است، مقدمه‌ای بر SPSS Modeler (میز کار داده‌کاوی SPSS) در فصل‌ها ارائه شده است. 15، 18، 19، در حالی که روش‌های آماری بهبود یافته مانند تحلیل‌های خودکار مختلف و مدل‌های شبیه‌سازی مونت کارلو در بخش‌های فصل هستند. 1، 5، 7 و 8.

باید تأکید کنیم که همه روش‌های توصیف شده توسط نویسندگان، که هر دو استاد آمار کاربردی و یادگیری ماشینی در کالج جامعه اروپایی هستند، با موفقیت به کار گرفته شده‌اند. داروسازی در لیون فرانسه. ما کار فعلی را نه تنها به عنوان یک همراه آموزشی به محققین و دانشجویان، به دلیل تجزیه و تحلیل‌های گام به گام فراوان، توصیه می‌کنیم، بلکه به‌عنوان یک متن مقدماتی مختصر برای پزشکان خسته و تازه به روش‌ها توصیه می‌کنیم. برای هدف اخیر، پیشینه و اطلاعات نظری با ارجاع مناسب به کتاب های درسی فوق جایگزین شده است، در حالی که بخش های واحدی که به «اهداف عمومی»، «سوالات علمی اصلی» و «نتیجه گیری» می پردازند، در محل ارائه شده است.

در نهایت، ما نشان خواهیم داد که یادگیری ماشین مدرن گاهی بهتر از آمارهای سنتی عمل می کند. یادگیری ماشینی ممکن است گزینه‌های کمی برای تنظیم مخدوش کردن و تعامل داشته باشد، اما شما می‌توانید امتیازات تمایل و متغیرهای تعامل را به تقریباً هر روش یادگیری ماشینی اضافه کنید.

The amount of data medical databases doubles every 20 months, and physicians are at a loss to analyze them. Also, traditional data analysis has difficulty to identify outliers and patterns in big data and data with multiple exposure / outcome variables and analysis-rules for surveys and questionnaires, currently common methods of data collection, are, essentially, missing. Consequently, proper data-based health decisions will soon be impossible.

Obviously, it is time that medical and health professionals mastered their reluctance to use machine learning methods and this was the main incentive for the authors to complete a series of three textbooks entitled “Machine Learning in Medicine Part One, Two and Three, Springer Heidelberg Germany, 2012-2013", describing in a nonmathematical way over sixty machine learning methodologies, as available in SPSS statistical software and other major software programs. Although well received, it came to our attention that physicians and students often lacked time to read the entire books, and requested a small book, without background information and theoretical discussions and highlighting technical details.

For this reason we produced a 100 page cookbook, entitled "Machine Learning in Medicine - Cookbook One", with data examples available at extras.springer.com for self-assessment and with reference to the above textbooks for background information. Already at the completion of this cookbook we came to realize, that many essential methods were not covered. The current volume, entitled "Machine Learning in Medicine - Cookbook Two" is complementary to the first and also intended for providing a more balanced view of the field and thus, as a must-read not only for physicians and students, but also for any one involved in the process and progress of health and health care.

Similarly to Machine Learning in Medicine - Cookbook One, the current work will describe stepwise analyses of over twenty machine learning methods, that are, likewise, based on the three major machine learning methodologies:

• Cluster methodologies (Chaps. 1-3)
  
• Linear methodologies (Chaps. 4-11)
  
• Rules methodologies (Chaps. 12-20)

In extras.springer.com the data files of the examples are given, as well as XML (Extended Mark up Language), SPS (Syntax) and ZIP (compressed) files for outcome predictions in future patients. In addition to condensed versions of the methods, fully described in the above three textbooks, an introduction is given to SPSS Modeler (SPSS' data mining workbench) in the Chaps. 15, 18, 19, while improved statistical methods like various automated analyses and Monte Carlo simulation models are in the Chaps. 1, 5, 7 and 8.

We should emphasize that all of the methods described have been successfully applied in practice by the authors, both of them professors in applied statistics and machine learning at the European Community College of Pharmaceutical Medicine in Lyon France. We recommend the current work not only as a training companion to investigators and students, because of plenty of step by step analyses given, but also as a brief introductory text to jaded clinicians new to the methods. For the latter purpose, background and theoretical information have been replaced with the appropriate references to the above textbooks, while single sections addressing "general purposes", "main scientific questions" and "conclusions" are given in place.

Finally, we will demonstrate that modern machine learning performs sometimes better than traditional statistics does. Machine learning may have little options for adjusting confounding and interaction, but you can add propensity scores and interaction variables to almost any machine learning method.