Processing

Please wait...

PATENTSCOPE will be unavailable a few hours for maintenance reason on Tuesday 25.01.2022 at 12:00 PM CET
Settings

Settings

Goto Application

1. WO2022006628 - COMPUTER-IMPLEMENTED METHOD AND SYSTEM FOR IDENTIFYING MEASURABLE FEATURES FOR USE IN A PREDICTIVE MODEL

Publication Number WO/2022/006628
Publication Date 13.01.2022
International Application No. PCT/AU2021/050723
International Filing Date 07.07.2021
IPC
G16H 50/20 2018.1
GPHYSICS
16INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
50ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
20for computer-aided diagnosis, e.g. based on medical expert systems
G16H 50/70 2018.1
GPHYSICS
16INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
50ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
70for mining of medical data, e.g. analysing previous cases of other patients
Applicants
  • SOUTHERN ADELAIDE LOCAL HEALTH NETWORK INC. [AU]/[AU]
Inventors
  • MAYNE, George Connaught
  • HUSSEY, Damian James
Agents
  • MADDERNS PTY LTD
Priority Data
202090235408.07.2020AU
Publication Language English (en)
Filing Language English (EN)
Designated States
Title
(EN) COMPUTER-IMPLEMENTED METHOD AND SYSTEM FOR IDENTIFYING MEASURABLE FEATURES FOR USE IN A PREDICTIVE MODEL
(FR) PROCÉDÉ ET SYSTÈME IMPLÉMENTÉ PAR ORDINATEUR POUR IDENTIFIER DES CARACTÉRISTIQUES MESURABLES DESTINÉ À ÊTRE UTILISÉ DANS UN MODÈLE PRÉDICTIF
Abstract
(EN) A method and system for identifying a subset of physically measurable features from a number of candidate physically measurable features potentially associated with a physical characteristic is disclosed. The method comprises receiving measured data, the measured data comprising respective datasets of measurements of the number of candidate physically measured features and the associated physical characteristic and in an outer loop iteratively partitioning the measured data into training data and validation data to form multiple outer loop training data sets and associated outer loop validation data sets. For each of the outer loop training data sets in an inner loop the method comprises iteratively generating a respective set of randomly sampled inner loop training data subsets and associated inner loop test data subsets; and generating predictive models based on the respective set of inner loop training data subsets and inner loop test data subsets each having an optimised set of physically measurable features and an associated optimised predictive capacity. A collection of optimised predictive models corresponding to each of the multiple outer loop training data sets and their respective sets of inner loop training and test data subsets is then formed and the subset of physically measurable features is identified by determining the subset of stable physically measurable features from the collection of optimised predictive models generated in the inner loop.
(FR) Sont divulgués un procédé et un système d'identification d'un sous-ensemble de caractéristiques physiquement mesurables à partir d'un certain nombre de caractéristiques physiquement mesurables candidates potentiellement associées à une caractéristique physique. Le procédé consiste à recevoir des données mesurées, les données mesurées comprenant des ensembles de données respectifs de mesures du nombre de caractéristiques physiquement mesurées candidates et de la caractéristique physique associée et, dans une boucle externe, à séparer de manière itérative les données mesurées en données d'apprentissage et données de validation afin de former de multiples ensembles de données d'apprentissage de boucle externe et ensembles de données de validation de boucle externe associés. Pour chacun des ensembles de données d'apprentissage de boucle externe dans une boucle interne, le procédé consiste à générer de manière itérative un ensemble respectif de sous-ensembles de données d'apprentissage de boucle interne échantillonnés de manière aléatoire et de sous-ensembles de données de test de boucle interne associés ; et à générer des modèles prédictifs sur la base de l'ensemble respectif de sous-ensembles de données d'apprentissage de boucle interne et de sous-ensembles de données de test de boucle interne ayant chacun un ensemble optimisé de caractéristiques physiquement mesurables et une capacité prédictive optimisée associée. Une collection de modèles prédictifs optimisés correspondant à chacun des multiples ensembles de données d'apprentissage de boucle externe et leurs ensembles respectifs de sous-ensembles de données d'apprentissage et de test de boucle interne est ensuite formée et le sous-ensemble de caractéristiques physiquement mesurables est identifié par détermination du sous-ensemble de caractéristiques physiquement mesurables stables à partir de la collection de modèles prédictifs optimisés générés dans la boucle interne.
Latest bibliographic data on file with the International Bureau