DSpace Repository

New approaches to missing biomedical data recovery for machine learning

Show simple item record

dc.contributor.author IAPĂSCURTĂ, Victor
dc.contributor.author FIODOROV, Ion
dc.date.accessioned 2023-04-21T12:35:31Z
dc.date.available 2023-04-21T12:35:31Z
dc.date.issued 2023
dc.identifier.citation IAPĂSCURTĂ, Victor, FIODOROV, Ion. New approaches to missing biomedical data recovery for machine learning. In: Journal of Engineering Science. 2023, Vol. 30, Nr. 1, pp. 106-117. ISSN 2587-3474, eISSN 2587-3482. en_US
dc.identifier.issn 2587-3474
dc.identifier.issn 2587-3482
dc.identifier.uri https://doi.org/10.52326/jes.utm.2023.30(1).09
dc.identifier.uri http://repository.utm.md/handle/5014/22594
dc.description.abstract Missing data is a common problem for medical data sets, especially large ones. This issue is of major importance since it can influence the analysis and further use of the data, e.g., for machine learning purposes. There are various methods for recovering missing data.One such method is to remove observations with missing values, but this is not very usefulgiven the limited amount of data available. Another commonly used approach is the LastObservation Carried Forward (LOCF). But most such methods are not universal and may needadjustments to the data set at hand. This article describes the possibility of solving this problem in the case of multimodal time series of biomedical data coming from patients withsepsis. It describes and compares three approaches tailored to a sepsis dataset, which isanalyzed and finally used to build a sepsis prediction system based on clinical data routinelyrecorded in an intensive care unit. en_US
dc.description.abstract Datele lipsă sunt o problemă comună pentru seturile de date medicale, în special pentru cele mari. Această problemă este de o importanță majoră, deoarece poate influența analiza și utilizarea ulterioară a datelor, de exemplu, în scopuri de învățare automată. Există abordări diferite pentru a trata datele lipsă. Una obișnuită este ștergerea observațiilor care conțin astfel de date, însă ea nu este aplicabilă atunci când volumul datelor este limitat. O altă abordare frecvent utilizată este “Last Observation Carried Forward (LOCF)”. Dar majoritatea acestor metode nu sunt universale și pot necesita ajustări la setul de date la îndemână. Această lucrare descrie posibilitatea abordării acestei probleme în cazul seriilor temporale multimodale de date biomedicale provenite de la pacienții cu sepsis. Ea descrie și compară trei abordări adaptate setului de date care este analizat și utilizat în cele din urmă pentru construirea unui sistem de predicție a sepsisului bazat pe date clinice înregistrate în mod obișnuit într-o unitate de terapie intensivă. en_US
dc.language.iso en en_US
dc.publisher Technical University of Moldova en_US
dc.relation.ispartofseries Journal of Engineering Science;2023, V. 30, N. 1
dc.rights Attribution-NonCommercial-NoDerivs 3.0 United States *
dc.rights.uri http://creativecommons.org/licenses/by-nc-nd/3.0/us/ *
dc.subject biomedical data en_US
dc.subject multimodal time series data en_US
dc.subject sepsis en_US
dc.subject machine learning en_US
dc.subject date biomedicale en_US
dc.subject serii temporale multimodale en_US
dc.subject sepsis en_US
dc.subject învățare automată en_US
dc.title New approaches to missing biomedical data recovery for machine learning en_US
dc.title.alternative Noi abordări ale recuperării datelor biomedicale pentru învățarea automată en_US
dc.type Article en_US


Files in this item

The following license files are associated with this item:

This item appears in the following Collection(s)

Show simple item record

Attribution-NonCommercial-NoDerivs 3.0 United States Except where otherwise noted, this item's license is described as Attribution-NonCommercial-NoDerivs 3.0 United States

Search DSpace


Advanced Search

Browse

My Account