309283_fr-FR

liliconcom

Apprentissage automatique et analyse du sous-groupe de biomarqueurs pour la médecine de précision

 

Découvrez comment :

• Comprendre les bases de l'apprentissage automatique
  • Comparer les différences entre la modélisation statistique à l'aide d'un échantillon de données provenant d'une population plus large et la modélisation algorithmique (apprentissage automatique) où le mécanisme des données est inconnu
• Comprendre 4 types de modèles
  • Modèles utilisant différents algorithmes (régression, modèles arborescents, réseaux de neurones)
  • Modèles utilisant différents paramétrages (recherche par grille, recherche aléatoire, algorithmes génétiques)
  • Modèles utilisant différentes fonctionnalités (sélection de fonctionnalités, extraction de fonctionnalités, ingénierie de fonctionnalités)
  • Modèles qui déploient des ensembles de formation (bagging, boosting, 5-fold cross validation)
• Comprendre l'utilisation de l'analyse de sous-groupes et l'utilisation de l'identification des sous-groupes (trouver les bons patients pour un médicament donné) et des schémas thérapeutiques optimaux (meilleur médicament pour un patient donné)
• Utiliser JMP Genomics
  • Pour prédire le décès par septicémie à partir des données recueillies à l'admission à l'hôpital
  • Identifier les signatures d'expression moléculaire différentielle pour les tissus normaux et polypes attribuables au traitement de chimioprévention dans la PAF
  • Pour utiliser des analyses de sous-groupes pour trouver des mesures cliniques ou des biomarqueurs de métabolites qui présentent

• Ressources

  • Un modèle clinico-métabolomique intégré améliore la prédiction de la mort dans le sepsis étude de cas
  • Lié Témoignage de réussite JMP décrivant l'utilisation de JMP Genomics pour la grande majorité de toutes les analyses

 

 

 

Modélisation prédictive et apprentissage automatique