机构名称：
¥ 1.0
当前对多种病症患者的治疗是次优的，其单疾病方法或治疗指南的适应方法是由于其复杂性而导致依从性不佳。尽管这导致要求采取更多整体和个性化的处方方法，但朝着这些目标的进步仍然很慢。随着机器学习（ML）方法的快速发展，现在也存在有前途的方法，以加速多种多发性精确医学的进步。其中包括分析疾病合并症网络，使用从不同医学领域整合知识的知识图，以及应用网络分析和图形ML。多种疾病网络已用于改善疾病诊断，治疗建议和患者预后。通过多种关系类型连接的不同医学实体结合的知识图可以整合来自不同来源的数据，从而允许复杂的交互并创建连续的信息流。然后，网络分析和图形ML可以提取网络的拓扑和结构，并揭示隐藏的特性，包括疾病表型，网络中心和途径；预测重新利用的药物；并确定安全，更全面的治疗方法。在本文中，我们描述了创建双分和单分歧疾病和患者网络的基本概念，并回顾了知识图，图形算法，图形嵌入方法和图形ML的使用。具体而言，我们提供了图理论在研究多发症，从图形中提取知识的方法的应用概述，以及疾病网络在确定多种疾病的结构和途径中应用的示例，识别疾病表型，识别健康状况，预测健康状况以及选择安全有效的治疗方法。在当今以ML为注重ML的现代数据中，这种基于网络的技术很可能处于开发强大的临床决策支持工具的最前沿，用于治疗多发性多种疾病的老年患者。
与转录组整合的代谢组揭示了出租车Mairei Arils
主要关键词
相关文件推荐
