4TaStiC：基于时间和趋势的旅行时间序列聚类方法，用于对长期2型糖尿病患者进行分类

《ACM Transactions on Computing for Healthcare》：4TaStiC: Time and trend traveling time series clustering for classifying long-term type 2 diabetes patients

糖尿病患者的HbA1c时间序列数据通过4TaStiC方法进行聚类，该算法结合基 dissimilarity、欧氏距离和皮尔逊相关系数有效解决了就诊时间差异带来的匹配难题，在人工数据集上表现优于8种现有方法，并成功应用于1989例2型糖尿病患者的临床数据分析，为个性化治疗提供支持。

　　

摘要人工智能摘要

要查看此由人工智能生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

糖尿病是全球最常见的疾病之一，能够损害多种内部系统。糖尿病患者需要定期进行检查，从而产生一系列实验室记录，例如糖化血红蛋白（HbA1c），这些记录反映了患者随时间的变化的健康状况。根据患者的全部时间序列数据将他们分组，可以帮助医生在不需查看所有记录的情况下提出建议并选择治疗方法。然而，对这类数据集进行聚类会带来一些挑战：患者在不同时间点就诊，使得难以匹配他们时间序列中的水平、趋势、峰值和模式。为了解决这些挑战，我们提出了一种新的方法：时间和趋势旅行时间序列聚类（4TaStiC），该方法结合了基础差异度量以及欧几里得和皮尔逊相关性指标。我们在标记的人工数据集上评估了这种算法的性能，并将其与包括基于表示学习的深度学习方法在内的八种现有方法进行了比较。4TaStiC在准确性和调整后的Rand指数方面均优于其他方法。最后，我们使用1,989名Siriraj医院2型糖尿病患者的HbA1c时间序列数据应用了4TaStiC进行聚类。每组患者都表现出明显的特征，这将有助于医生做出高效的临床决策。

人工智能摘要

人工智能生成的摘要（实验性)

此摘要是使用自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助发现新信息、帮助读者评估内容的相关性，并协助来自相关研究领域的读者理解本文的工作。它旨在补充作者提供的摘要，后者仍然是论文的官方摘要。完整文章才是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的版本。

要查看此由人工智能生成的通俗语言摘要，您必须具有高级访问权限。