""
办公室技术商业化
http://www.research.umn.edu/techcomm
612-624-0550

用于医疗应用的生存分析软件

技术#20180128

关于这项技术的问题? 问一个技术经理

下载打印的PDF文档

图库
Support Vector Machine
类别
研究人员
弗拉基米尔cherkassky博士
教授,电气和计算机工程
外部链接 (ece.umn.edu)
由...管理
莱萨besemann
高级营销经理 612-625-8615
出版物
使用特权信息(鹿皮)建模生存数据学习
基于神经网络的2014国际联席会议, 2014年7月

分析作为一个二元分类问题,生存资料

计算存活的数据,在医疗应用中常见的,面向应用的预测数据分析方法,因为审查意见的存活时间是未知的挑战。一种新的方法基于SVM + /鹿皮(支持向量机,使用特权信息学习),以解决该问题分析生存的数据作为二元分类问题,并使用软件。支持向量机+方法使用有关生存时间估计SVM分类,然后在的(而不是从发起事件后所经历感兴趣终点的时间),感兴趣的时间点预测对象的状态。

比传统的统计模型更好的预测性能

生存分析侧重于从发起事件后所经历到的事件,或终点,感兴趣的时间。生存分析方法,通过生存曲线和危险率的方式描述事件发生在传统的统计模型这样的数据开发,并分析其回归的方法对协变量的依赖。古典统计进一步使有关分布的参数形式具体假设,使用训练数据来估计它的参数,但是,如果不正确地指定了参数模型这个概率方法可能产生的不良预测模型或如果训练样本的数目太小。而机器学习方法集中在估计(学习)从现有数据良好的预测模型,它是尚未被广泛使用。这个新的模型假设预测的设置和使用特权信息的生存数据的预测模型开发了数据分析的方法。而不是预测的生存时间,这种新方法预测对象的在所关注的时间点的状态。对于数据集有大量审查数据,或当观察到的存活时间不遵循古典概率的假设,这种方法产生优于传统的统计模型预测性能。

好处和特点:

  • 分析存活数据作为二元分类问题
  • 基于支持向量机+ /鹿皮软件
  • 在感兴趣的时间点预测对象的状态(而不是从始发事件经过到终点的时间)
  • 对数据集具有大量截尾数据的
  • 当观察到的存活时间不遵循经典概率假设

应用:

  • 存活分析预测/建模
  • 医疗应用
  • 移植患者的死亡率(临床试验)
  • 时间到寿险要求
  • 客户流失率或业务的流失率(例如,用户为基础的业务,移动电话公司,破产)
  • 机械故障
  • 婚姻失败的预测

发展阶段 - 提供测试版软件

感兴趣的许可用于商业开发?
学校依托行业合作伙伴扩展技术,足够大的产能用于商业用途。该许可证可用于这项技术,并会为销售,生产或使用的采用这种技术创造出来的产品。请联系 卡罗尔grutkoski 分享您的业务需求,并在生存分析软件技术的兴趣,如果你有兴趣在技术授权进行进一步的研究和开发。