UMA VAIDYANATHAN : عالی است. باز هم برای حرف زدن عالی از شما تشکر میکنم . این واقعا ً یک شغل عالی بود . مردیث ، من فکر میکنم حالا دیگر بیدار شدهای .
لیزا wallace : لیزا , خیلی از شما بابت این مقدمه شگفتآور به صحبتهای من تشکر میکنم . من از آموزش استفاده میکنم و در حال حاضر استادیار بخش روانپزشکی دانشگاه پیتسبورگ هستم , و تحقیقات من در درجه اول بر توسعه و اعمال روشهای آماری برای خوشهبندی تمرکز دارد , و من بر روشهای خوشهبندی در چارچوب RDoC تمرکز کردهام . درست است که همه در یک صفحه هستند , من فقط میخواستم یک دقیقه کوتاه برای صحبت در مورد این که خوشهبندی چیست . خوشهبندی روشی است که می توان از آن برای آشکار کردن زیر گروه افراد با ویژگیهای مشابه استفاده کرد و شما میتوانید به این زیرگروه در نظر بگیرید که با مرزهای طبیعی از هم جدا میشوند . به عنوان مثال , اگر هر کسی که این webinar را تماشا کند میتواند تعداد دقایقی را که در شب گذشته بهخوابرفته بودند را تایپ کند , و چند دقیقه بعد از اینکه آنها به خواب رفتند , من میتوانستم آن پایگاهداده را بردارم و سپس از روشهای خوشهبندی استفاده کنم تا مشخص کنم که چند زیر گروه یا خوشه ممکن است در این نمونه وجود داشته باشد. بنابراین , برای مثال , من ممکن است دو خوشه پیدا کنم و شاید یکی از این خوشهها به طور کلی خیلی زود به خواب رود , اما بعد از آن , آنها خیلی زود در نیمههای شب بیدار میشوند , و شاید دیگر خوشه مدتی طول بکشد تا به خواب رود , اما بعد از خواب بیدار میشوند . بنابراین این یک نمونه از استفاده از خوشهبندی برای پیدا کردن زیر گروه افراد با ویژگیهای خواب مشابه خواهد بود . روشهای خوشهبندی واقعا برای RDoC مناسب هستند زیرا در یک نمونه شما میتوانید از آنها برای تعیین اینکه آیا واقعا یک زنجیره از نشانهها و نشانهها وجود دارد یا در واقع زیر گروههای مجزا در آن نمونه وجود دارد , استفاده کنید . و اگر شما تنها به چیزی مانند خود گزارش نگاه میکنید , ممکن است زیر گروههایی پیدا کنید که مشابه تشخیص DSM موجود ما هستند . اما نکته جالب در مورد RDoC این است که محققان را به بررسی سطوح مختلف اطلاعات تشویق میکند , بنابراین با استفاده از خوشهبندی میتوانید زیر گروه جدیدی پیدا کنید که مبتنی بر تمام انواع مختلف اطلاعات هستند . این میتواند واقعا آموزنده باشد , به خصوص اگر بتوانید این زیرگروه را به نتایج مربوطه ربط دهید . این کار ممکن است به شما کمک کند تا فرضیاتی در مورد مکانیسم بیماریهای اساسی و یا روشهای درمانی ایجاد کنید که بتوانید آن را توسعه دهید و سپس افراد را هدف قرار دهید تا با ویژگیهای هر گروه مطابقت داشته باشند. روشهای مختلف خوشهبندی زیادی وجود دارد . من عمدتا بر روی مدلسازی ترکیبی تمرکز کردهام . مدلسازی Mixture یک روش خوشهبندی است که مبتنی بر یک احتمال است , و به دلیل آن با مفروضات توزیعی , و رایجترین فرض که مردم ایجاد میکنند این است که خوشههای آنها به طور معمول توزیع شدهاند . نکته جالب در رابطه با این احتمال این است که مقایسه مدلها آسانتر است , و به نظر من , انتخاب تعداد خوشهها در نمونه شما آسانتر است . به منظور نشان دادن و توسعه برخی از این روشهای خوشهبندی , همانطور که ممکن است حدس بزنید , براساس مثال اول من , با بسیاری از دادههای خواب کار کردهام , و به طور خاص , من از مجموعه دادههای AgeWise استفاده کردهام . و نمونه آماری که من امروز از AgeWise صحبت خواهم کرد , 216 نفر از بزرگسالان مسنتر , بدون بیخوابی است , و در این بزرگسالان مسنتر , 70 ویژگی که ممکن است مرتبط باشند را شناسایی کردیم ; actigraphy که یک معیار رفتاری برای خواب است , و همچنین polysomnography , که یک اندازهگیری فیزیولوژیکی از خواب است .
منبع سایت