Resumen

Aprender puntuaciones de gravedad de enfermedades automáticamente a partir de las mediciones recopiladas puede contribuir a la calidad tanto de la atención médica como de la comprensión científica. Se han dado algunos pasos en esa dirección y se han propuesto algoritmos de aprendizaje automático para extraer funciones de puntuación a partir de los datos. Dado el rápido aumento tanto en la cantidad como en la diversidad de datos medidos y almacenados, la gran cantidad de información se está convirtiendo en uno de los desafíos para los algoritmos de aprendizaje. En este trabajo, investigamos la dirección del problema donde la dimensionalidad de las variables medidas es grande. Aprender la puntuación de gravedad en tales casos plantea el problema de qué características medidas son relevantes. Hemos propuesto un enfoque novedoso que combina propiedades deseables de formulaciones existentes, que se compara favorablemente con alternativas en precisión y especialmente en la robustez de la función de puntuación aprendida. La formulación propuesta tiene una penalización no suave que induce dispersión. Este problema se resuelve ab

• Materias:Simulación dinámica Toma de decisiones Regresión lineal Cargas controladas Seguridad multimedia
• Subjects:Dynamic simulation Decision making Linear regression Controlled loads Multimedia safety
• Palabras claves:Aprendizaje; Puntuaciones de gravedad de enfermedades; Algoritmos de aprendizaje automático; Datos; Variables medidas; Función de puntuación
• Keywords:Learning; Disease severity scores; Machine learning algorithms; Data; Measured variables; Scoring function