JP7364049B2 - 分析装置、分析方法及びプログラム - Google Patents
分析装置、分析方法及びプログラム Download PDFInfo
- Publication number
- JP7364049B2 JP7364049B2 JP2022513743A JP2022513743A JP7364049B2 JP 7364049 B2 JP7364049 B2 JP 7364049B2 JP 2022513743 A JP2022513743 A JP 2022513743A JP 2022513743 A JP2022513743 A JP 2022513743A JP 7364049 B2 JP7364049 B2 JP 7364049B2
- Authority
- JP
- Japan
- Prior art keywords
- intervention
- score
- analysis device
- analysis
- population
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Description
本発明は、分析装置、分析方法及びプログラムに関する。
統計的因果推論の一種である傾向スコア分析(又は「傾向スコア解析」とも呼ばれる。)が従来から知られている(例えば、非特許文献1等)。傾向スコア分析では、実験対象が特定の要因を有している確率を複数の共変量から推定する。この確率は傾向スコアと呼ばれる。傾向スコアは、共変量を一次元に集約するという性質上、基本的には共変量の数の制約を受けない。そのため、傾向スコア分析は、共変量の数を増やせば増やすほど、頑強な因果推論を実施できるという利点を持つ。
星野 崇宏,繁桝 算男,"傾向スコア解析法による因果効果の推定と調査データの調整について",行動計量学31巻1号,2004年, pp.43-61
しかしながら、傾向スコアを共変量から推定する際に、共変量間に相関が確認されることがある。このような場合、多重共線性を解消するために、相関がある共変量のうちのいずれか一方の共変量を分析から除外する必要がある。特に、分析に用いる共変量が多くなればなるほど、多重共線性が発生する可能性が高まる。したがって、傾向スコア分析を行う際には、共変量をなるべく多く確保する一方で、それらを除外することなく、多重共線性の発生を防止する必要がある。
本発明の一実施形態は、上記の点に鑑みてなされたもので、多重共線性の発生を防止することを目的とする。
上記目的を達成するため、一実施形態に係る分析装置は、所定の疾病の発症率と所定の介入との間の因果関係を分析するための分析装置であって、母集団に属するユーザの属性を表し、かつ、少なくとも2つのパラメータ間で所定の強さの相関がある複数の第1パラメータ群を、互いに前記所定の強さの相関を有しない複数の第2パラメータ群に変換する変換部と、前記複数の第2パラメータ群と、前記介入の有無を表すパラメータとを用いて、前記ユーザ毎に所定のスコアを算出する算出部と、前記スコアを用いて、前記因果関係を分析するために、前記母集団に属するユーザをクラスタリングするクラスタリング部と、を有することを特徴とする。
多重共線性の発生を防止することができる。
以下、本発明の一実施形態について説明する。本実施形態では、傾向スコア分析を行う際に、共変量間の関係を保持したまま互いに無相関な変数に変換することで、多重共線性の発生を防止することができる分析装置10について説明する。
なお、本実施形態では、一例として、観察研究によって得られたサンプルデータを用いて、喫煙経験が肺がんの発症に与える因果効果を傾向スコア分析によって検証する場合について説明する。ただし、これは一例であって、本実施形態に係る分析装置10は、任意の介入(要因)と任意の結果との間の因果効果を傾向スコア分析によって検証する場合について同様に適用することが可能である。
<機能構成>
まず、本実施形態に係る分析装置10の機能構成について、図1を参照しながら説明する。図1は、本実施形態に係る分析装置10の機能構成の一例を示す図である。
まず、本実施形態に係る分析装置10の機能構成について、図1を参照しながら説明する。図1は、本実施形態に係る分析装置10の機能構成の一例を示す図である。
図1に示すように、本実施形態に係る分析装置10は、取得部101と、変換部102と、算出部103と、調整部104と、効果推定部105と、サンプルDB106とを有する。
サンプルDB106には、傾向スコア分析に用いられる複数のサンプルデータ(つまり、サンプルデータの母集団)が格納されている。ここで、サンプルDB106に格納されているサンプルデータの一例について、図2を参照しながら説明する。図2は、サンプルDB106に格納されているサンプルデータの一例を示す図である。
図2に示すように、サンプルDB106には複数のサンプルデータが格納されており、各サンプルデータには複数の項目が含まれる。例えば、図2に示す例では、各サンプルデータには、「被験者ID」、「性別g」、「年齢a」、「学歴c」、「年収s」、「喫煙経験f」及び「肺がん発症有無y」が項目として含まれている。なお、項目はパラメータと称されてもよい。
本実施形態では、サンプルデータに含まれる各項目のうち、「性別g」、「年齢a」、「学歴c」及び「年収s」が共変量、「喫煙経験f」が割付変数、「肺がん発症有無y」が結果変数である。一方で、被験者IDは被験者(サンプル又はユーザ)を一意に識別する識別情報であり、本実施形態では、被験者IDをi(i=1,・・・,N)で表すものとする。なお、割付変数はその値によって介入(要因)の有無を表し、サンプルデータを処置群又は対照群(処置群及び対照群は、例えば、それぞれ暴露群及び非暴露群等と呼ばれてもよい。)に割り振るための変数である。割付変数としては、一般に、結果変数と因果関係があることが想定されるパラメータが設定される。
なお、例えば、「性別g」はその値が0ならば男、1ならば女を表し、「年齢a」はその値によって年齢を表し、「学歴c」はその値によって最終学歴を表し、「年収s」はその値によって年収を表す。また、例えば、「喫煙経験f」はその値が0ならば喫煙経験なし、1ならば喫煙経験ありを表し、「肺がん発症有無y」はその値が0ならば肺がん発症なし、その値が1ならば肺がん発症ありを表す。
以降では、被験者ID「i」のサンプルデータをサンプルデータiと表すと共に、サンプルデータiに含まる性別g、年齢a、学歴c、年収s、喫煙経験f及び肺がん発症有無yをそれぞれgi,ai,ci,si,fi及びyiと表す。また、各共変量をその要素とするベクトルを共変量ベクトルと表し、サンプルデータiに含まれる共変量gi,ai,ci及びsiをその要素する共変量ベクトルをxi=(gi,ai,ci,si)と表す。
このように、サンプルDB106には、少なくとも2以上の共変量(パラメータ)が含まれる複数のサンプルデータが格納されている。なお、「性別g」、「年齢a」、「学歴c」及び「年収s」を共変量とすることは一例であって、これら以外にも、観察研究によって得られる様々なパラメータ(例えば、被験者の様々な属性(家族構成、出身地、国籍、趣味、職業、平均睡眠時間、飲酒有無等)を表すパラメータ)を共変量とすることが可能である。
取得部101は、傾向スコア分析の対象となるN個のサンプルデータをサンプルDB106から取得する。
変換部102は、取得部101により取得された各サンプルデータiに含まれる各共変量を、共変量間の関係を保持しまま、互いに無相関な変数(パラメータ)に変換する。言い換えれば、変換部102は、共変量間の関係を保持しまま、各共変量ベクトルxiを、互いに無相関な変数をその要素とするベクトルx'iに変換する。以降では、この変換後のベクトルx'iを共変量主成分ベクトルx'iと呼ぶ。
変換部102は、例えば、共変量ベクトルx1,・・・,xNを用いて主成分分析を行って、各共変量ベクトルxiの各要素gi,ai,ci及びsiをそれぞれ第1主成分得点PCi1,第2主成分得点PCi2,第3主成分得点PCi3及び第4主成分得点PCi4に変換することで、共変量ベクトルxi=(gi,ai,ci,si)を共変量主成分ベクトルx'i=(PCi1,PCi2,PCi3,PCi4)に変換する。
なお、一般に、共変量ベクトルxiの要素数(つまり、共変量数)がJ個である場合、共変量ベクトルxiのj(ただし、j=1,・・・,J)番目の要素を第j主成分得点PCijに変換することで、共変量ベクトルxiを共変量主成分ベクトルx'iに変換すればよい。
算出部103は、変換部102により共変量ベクトルxiを変換することで得られた共変量主成分ベクトルx'iを用いて、傾向スコアを推定する。具体的には、算出部103は、ei=Pr(fi=1|x'i)により、サンプルデータiの傾向スコアeiを算出(推定)する。なお、傾向スコアeiは既知のモデル(例えば、ロジスティック回帰、機械学習モデル(ランダムフォレスト、Generalized Boosting Modeling、NN(Neural Network)等))により算出すればよい。
これにより、或る共変量間に相関がある場合であっても、共変量主成分ベクトルを用いることで、多重共線性を回避して傾向スコアを算出(推定)することが可能となる。本実施形態では、例えば、学歴cと年収sの相関係数が高い(つまり、強い相関がある)場合であっても、共変量主成分ベクトルx'iに用いることで、多重共線性を回避して傾向スコアeiを算出(推定)することが可能となる。
調整部104は、算出部103により算出(推定)された傾向スコアeiを用いて、既知の手法(例えば、マッチングや層別化等)により処置群及び対照群の共変量を調整して、処置群及び対照群を再構成する。すなわち、調整部104は、処置群及び対照群のそれぞれで各サンプルデータをグルーピングすることで、処置群及び対照群を再構成する。これにより、共変量(の平均等)が互いに類似する処置群及び対照群が得られる。なお、グルーピングは、クラスタリング又は分類と称されてもよい。
例えば、最近傍マッチング(Nearest neighbor matching)を用いる場合、処置群(例えば、fi=1であるサンプルデータiの集合)と対照群(例えば、fi=0であるサンプルデータiの集合)との間で傾向スコアが最も近いサンプルデータ同士を1つのペアとして、これらのペアにより処置群と対照群とを再構成すればよい。このとき、例えば、再構成前の処置群に属する各サンプルデータに対してキャリパー(許容領域)を設定し、傾向スコアの差がキャリパー以内あるサンプルデータ同士を1つのペアとしてもよい。なお、これらのマッチング手法は一例であって、任意のマッチング手法を用いることが可能である。
また、例えば、層別化を用いる場合、傾向スコアの大小によって処置群及び対照群をそれぞれ複数のサブクラスに分けることで、処置群及び対照群を再構成してもよい。なお、サブクラス数は任意の数とすればよいが、例えば、サブクラス数を5とすることがよく用いられる。
効果推定部105は、調整部104により再構成された処置群及び対照群を用いて、既知の手法(例えば、検定等)により因果効果を推定する。これにより、介入(要因)と結果との間の因果効果(本実施形態では、喫煙経験fと肺がん発症有無yとの間の因果効果)が推定される。したがって、例えば、本実施形態では、喫煙経験と肺がん発症率との間に因果関係があるか否かを検証することが可能となる。このように、傾向スコア分析は、一般に、或る疾病と因果関係があると想定される介入(要因)と、当該疾病の発症率との間に実際に因果関係があるか否か検証する際によく用いられる。
<分析処理>
次に、本実施形態に係る分析装置10によって傾向スコア分析を行う場合の処理の流れについて、図3を参照しながら説明する。図3は、本実施形態に係る分析処理の流れの一例を示すフローチャートである。
次に、本実施形態に係る分析装置10によって傾向スコア分析を行う場合の処理の流れについて、図3を参照しながら説明する。図3は、本実施形態に係る分析処理の流れの一例を示すフローチャートである。
まず、取得部101は、傾向スコア分析の対象となるN個のサンプルデータをサンプルDB106から取得する(ステップS101)。
次に、変換部102は、上記のステップS101で取得されたサンプルデータi(ただし、i=1,・・・,N)に対応する共変量ベクトルxiを共変量主成分ベクトルx'iに変換する(ステップS102)。
次に、算出部103は、上記のステップS102で得られた共変量主成分ベクトルx'iから傾向スコアeiを算出する(ステップS103)。
次に、調整部104は、上記のステップS103で算出された傾向スコアeiを用いて、既知の手法により処置群及び対照群の共変量を調整して、処置群及び対照群を再構成する(ステップS104)。
そして、効果推定部105は、上記のステップS104で得られた処置群及び対照群を用いて、既知の手法により因果効果を推定する(ステップS105)。
以上により、本実施形態に係る分析装置10は、互いに相関がある共変量が含まれている場合であっても、多重共線性の発生を防止し、傾向スコアを推定することができる。しかも、本実施形態に係る分析装置10は、共変量ベクトルを共変量主成分ベクトルに変換するため、共変量を除外することなく(したがって、因果効果の推定精度を低下させることなく)、共変量間の関係は保持しままで互いに無相関化することができる。
なお、互いに強い相関がある共変量が含まれている場合は多重共線性が発生する可能性が高くなるため、本実施形態に係る分析装置10を用いることは特に効果的であるが、弱い相関がある共変量が含まれている場合であっても多重共線性が発生する可能性はある。したがって、相関の強弱に関わらず、本実施形態に係る分析装置10を用いることで、多重共線性の発生を確実に回避することが可能となる。
<ハードウェア構成>
最後に、本実施形態に係る分析装置10のハードウェア構成について、図4を参照しながら説明する。図4は、本実施形態に係る分析装置10のハードウェア構成の一例を示す図である。
最後に、本実施形態に係る分析装置10のハードウェア構成について、図4を参照しながら説明する。図4は、本実施形態に係る分析装置10のハードウェア構成の一例を示す図である。
図4に示すように、本実施形態に係る分析装置10は一般的なコンピュータ又はコンピュータシステムで実現され、入力装置201と、表示装置202と、外部I/F203と、通信I/F204と、プロセッサ205と、メモリ装置206とを有する。これらの各ハードウェアは、それぞれがバス207を介して通信可能に接続されている。
入力装置201は、例えば、キーボードやマウス、タッチパネル等である。表示装置202は、例えば、ディスプレイ等である。なお、分析装置10は、入力装置201及び表示装置202のうちの少なくとも一方を有していなくてもよい。
外部I/F203は、外部装置とのインタフェースである。外部装置には、記録媒体203a等がある。分析装置10は、外部I/F203を介して、記録媒体203aの読み取りや書き込み等を行うことができる。記録媒体203aには、分析装置10が有する各機能部(取得部101、変換部102、算出部103、調整部104及び効果推定部105)を実現する1以上のプログラムが格納されていてもよい。
なお、記録媒体203aには、例えば、CD(Compact Disc)、DVD(Digital Versatile Disk)、SDメモリカード(Secure Digital memory card)、USB(Universal Serial Bus)メモリカード等がある。
通信I/F204は、分析装置10を通信ネットワークに接続するためのインタフェースである。なお、分析装置10が有する各機能部を実現する1以上のプログラムは、通信I/F204を介して、所定のサーバ装置等から取得(ダウンロード)されてもよい。
プロセッサ205は、例えば、CPU(Central Processing Unit)やGPU等の各種演算装置である。分析装置10が有する各機能部は、例えば、メモリ装置206に格納されている1以上のプログラムがプロセッサ205に実行させる処理により実現される。
メモリ装置206は、例えば、HDD(Hard Disk Drive)やSSD(Solid State Drive)、RAM(Random Access Memory)、ROM(Read Only Memory)、フラッシュメモリ等の各種記憶装置である。分析装置10が有するサンプルDB106は、例えば、メモリ装置206を用いて実現可能である。なお、サンプルDB106は、例えば、分析装置10と通信ネットワークを介して接続される記憶装置(例えば、データベースサーバ等)を用いて実現されていてもよい。
本実施形態に係る分析装置10は、図4に示すハードウェア構成を有することにより、上述した分析処理を実現することができる。なお、図4に示すハードウェア構成は一例であって、分析装置10は、他のハードウェア構成を有していてもよい。例えば、分析装置10は、複数のプロセッサ205を有していてもよいし、複数のメモリ装置206を有していてもよい。
本発明は、具体的に開示された上記の実施形態に限定されるものではなく、請求の範囲の記載から逸脱することなく、種々の変形や変更、既知の技術との組み合わせ等が可能である。
10 分析装置
101 取得部
102 変換部
103 算出部
104 調整部
105 効果推定部
106 サンプルDB
201 入力装置
202 表示装置
203 外部I/F
203a 記録媒体
204 通信I/F
205 プロセッサ
206 メモリ装置
101 取得部
102 変換部
103 算出部
104 調整部
105 効果推定部
106 サンプルDB
201 入力装置
202 表示装置
203 外部I/F
203a 記録媒体
204 通信I/F
205 プロセッサ
206 メモリ装置
Claims (6)
- 所定の疾病の発症率と所定の介入との間の因果関係を分析するための分析装置であって、
母集団に属するユーザの属性を表し、かつ、少なくとも2つのパラメータ間で所定の強さの相関がある複数の第1パラメータ群を、互いに前記所定の強さの相関を有しない複数の第2パラメータ群に変換する変換部と、
前記複数の第2パラメータ群と、前記介入の有無を表すパラメータとを用いて、前記ユーザ毎に所定のスコアを算出する算出部と、
前記スコアを用いて、前記因果関係を分析するために、前記母集団に属するユーザをクラスタリングするクラスタリング部と、
を有することを特徴とする分析装置。 - 前記変換部は、
前記母集団に属するユーザの前記複数の第1パラメータ群を用いて主成分分析を行って、前記複数の第1パラメータ群の各々を各主成分得点にそれぞれ変換することで、前記複数の第1パラメータ群を前記複数の第2パラメータ群に変換する、ことを特徴とする請求項1に記載の分析装置。 - 前記クラスタリング部は、
前記介入の有無を表すパラメータと前記スコアとを用いて、前記介入があるユーザの集合と前記介入がないユーザの集合との間で前記スコアによるマッチングを行う、又は、前記介入があるユーザの集合と前記介入がないユーザの集合とを前記スコアによってサブクラスにそれぞれ分けることで、前記母集団に属するユーザをクラスタリングする、ことを特徴とする請求項1又は2に記載の分析装置。 - 所定の事象と所定の介入との間の因果関係を傾向スコア分析により分析するための分析装置であって、
母集団に属するサンプルの属性を表し、かつ、少なくとも2つの共変量間で所定の強さの相関がある複数の共変量を、互いに前記所定の強さの相関を有しない複数の変数に変換する変換部と、
前記複数の変数と、前記介入の有無を表す割付変数とを用いて、前記サンプル毎に傾向スコアを算出する算出部と、
前記傾向スコアを用いて、前記介入の有無によって前記サンプルを分類した第1群及び第2群を、前記共変量が類似するように再構成する再構成部と、
を有することを特徴とする分析装置。 - 所定の疾病の発症率と所定の介入との間の因果関係を分析するための分析装置が、
母集団に属するユーザの属性を表し、かつ、少なくとも2つのパラメータ間で所定の強さの相関がある複数の第1パラメータ群を、互いに前記所定の強さの相関を有しない複数の第2パラメータ群に変換する変換手順と、
前記複数の第2パラメータ群と、前記介入の有無を表すパラメータとを用いて、前記ユーザ毎に所定のスコアを算出する算出手順と、
前記スコアを用いて、前記因果関係を分析するために、前記母集団に属するユーザをクラスタリングするクラスタリング手順と、
を実行することを特徴とする分析方法。 - コンピュータを、請求項1乃至4の何れか一項に記載の分析装置として機能させるプログラム。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2020/015680 WO2021205541A1 (ja) | 2020-04-07 | 2020-04-07 | 分析装置、分析方法及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2021205541A1 JPWO2021205541A1 (ja) | 2021-10-14 |
JP7364049B2 true JP7364049B2 (ja) | 2023-10-18 |
Family
ID=78023083
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022513743A Active JP7364049B2 (ja) | 2020-04-07 | 2020-04-07 | 分析装置、分析方法及びプログラム |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230154628A1 (ja) |
JP (1) | JP7364049B2 (ja) |
WO (1) | WO2021205541A1 (ja) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010267035A (ja) | 2009-05-13 | 2010-11-25 | Video Research:Kk | 調査システム及び調査方法 |
JP2014523589A (ja) | 2011-07-13 | 2014-09-11 | ザ マルチプル ミエローマ リサーチ ファウンデーション, インコーポレイテッド | データ収集及び配信のための方法 |
US20160055320A1 (en) | 2014-08-22 | 2016-02-25 | Yahoo! Inc. | Method and system for measuring effectiveness of user treatment |
-
2020
- 2020-04-07 JP JP2022513743A patent/JP7364049B2/ja active Active
- 2020-04-07 US US17/916,433 patent/US20230154628A1/en active Pending
- 2020-04-07 WO PCT/JP2020/015680 patent/WO2021205541A1/ja active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010267035A (ja) | 2009-05-13 | 2010-11-25 | Video Research:Kk | 調査システム及び調査方法 |
JP2014523589A (ja) | 2011-07-13 | 2014-09-11 | ザ マルチプル ミエローマ リサーチ ファウンデーション, インコーポレイテッド | データ収集及び配信のための方法 |
US20160055320A1 (en) | 2014-08-22 | 2016-02-25 | Yahoo! Inc. | Method and system for measuring effectiveness of user treatment |
Also Published As
Publication number | Publication date |
---|---|
US20230154628A1 (en) | 2023-05-18 |
WO2021205541A1 (ja) | 2021-10-14 |
JPWO2021205541A1 (ja) | 2021-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102556497B1 (ko) | 기계 학습 모델을 이용한 편향 데이터 제거 | |
Tsai | Pseudo-partial likelihood for proportional hazards models with biased-sampling data | |
Ni et al. | Variable selection for case-cohort studies with failure time outcome | |
Gao et al. | Semiparametric regression analysis of length‐biased interval‐censored data | |
US10140361B2 (en) | Text mining device, text mining method, and computer-readable recording medium | |
Huang et al. | Deep prototypical networks for imbalanced time series classification under data scarcity | |
Goin et al. | Identification of spikes in time series | |
JP7026653B2 (ja) | クラスタリング装置、クラスタリング方法及びクラスタリングプログラム | |
Sivasankar et al. | Feature reduction in clinical data classification using augmented genetic algorithm | |
CN110910325A (zh) | 一种基于人工蝴蝶优化算法的医疗影像处理方法及装置 | |
Bruckers et al. | Clustering multiply imputed multivariate high‐dimensional longitudinal profiles | |
El Moudden et al. | Automatic speech analysis in patients with parkinson's disease using feature dimension reduction | |
JP7364049B2 (ja) | 分析装置、分析方法及びプログラム | |
Adragni et al. | ldr: An R software package for likelihood-based sufficient dimension reduction | |
Wang et al. | New probabilistic graphical models for genetic regulatory networks studies | |
US20230326542A1 (en) | Genomic sequence dataset generation | |
Huber-Carol et al. | Risk analysis: survival data analysis vs. machine learning. application to alzheimer prediction | |
Wang et al. | Clustering over‐dispersed data with mixed feature types | |
CN117501376A (zh) | 确定肾脏病理生理学的技术 | |
JP7283583B2 (ja) | 制御方法、制御プログラム、及び情報処理装置 | |
JP2017084249A (ja) | データ分類システム,方法,プログラムおよびその記録媒体 | |
Hu et al. | Nonparametric multistate representations of survival and longitudinal data with measurement error | |
Deng et al. | Towards a unified framework for uncertainty-aware nonlinear variable selection with theoretical guarantees | |
Afzal et al. | On the number of independent components: an adjusted coefficient of determination based approach | |
CN116723083B (zh) | 一种云服务器在线故障诊断方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220922 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230905 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230918 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7364049 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |