研究人员开发了一种新的基于谱的无监督表示学习框架，专门用于利用电子健康记录为罕见病群体中的临床概念和患者创建低维嵌入。该方法通过整合来自更广泛人群的知识矩阵，解决了样本量有限的高维数据挑战。与以前的方法不同，它放宽了严格的信号对齐假设，允许更灵活的知识共享，并在模拟和真实世界的多发性硬化症队列分析中表现出优越的性能，尤其是在共享信号较弱或未对齐时。 AI
影响 增强了使用 EHR 数据进行罕见病研究的分析能力，有望带来更好的见解和治疗方法。
排序理由 该集群包含一篇详细介绍新数据分析方法的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.11570v1 Announce Type: new Abstract: We propose a spectral-based, unsupervised representation learning framework to derive low-dimensional embeddings for clinical concepts and patients in rare disease cohorts from electronic health records, where data are high-dimensio…
We propose a spectral-based, unsupervised representation learning framework to derive low-dimensional embeddings for clinical concepts and patients in rare disease cohorts from electronic health records, where data are high-dimensional but sample sizes are limited. To overcome th…