Plantilla del Estado del Arte

Author (s): Colin G. Walsh

Ttle of paper: Predicting Risk of Suicide Attempts Over Time Through Machine Learning
Journal: http://journals.sagepub.com/
May 1, 2017

Problema que el autor desea resolver

Cmo combinar grandes cantidades de datos histricos con el aprendizaje

automtico para la analtica en tiempo real?
Buscamos superar estas limitaciones aplicando el aprendizaje automtico a la
electrnica
registros de salud dentro de una base de datos mdica grande.

Importancia del problema

La importancia del predictor se desplaz a travs del tiempo. Estos hallazgos
representan un paso hacia la deteccin de riesgos precisa y escalable. Los
intentos de suicidio son un importante problema de salud pblica, con se
estima que se produjeron 25 millones de intentos de suicidio no mortales cada
ao en todo el mundo

y proporcionar una idea de cmo el riesgo de intento de suicidio cambia con

el tiempo
Los usuarios empresariales y los cientficos de datos tienen que trabajar juntos
para construir y validar modelos analticos. Estos modelos tienen que ser
desplegables en un motor de procesamiento de eventos en tiempo real sin
reconstruir el modelo. La revalidacin manual o automtica y la re-
implementacin de un modelo mejorado cierran el bucle analtico. Si desea
implementar un bucle cerrado de analtica Big Data para crear modelos
analticos con aprendizaje automtico y desplegarlos en procesamiento de
eventos en tiempo real, debe centrarse en la facilidad de uso, el tiempo de
lanzamiento al mercado, la flexibilidad y la extensibilidad de la cadena de
herramientas.

En una nota final, aunque este artculo se centra en el procesamiento de

secuencias, las ideas descritas tambin son relevantes para otros tipos de
procesamiento de eventos. Por ejemplo, procesamiento de eventos basado en
reglas -e.g. con JBoss Drools CEP Engine o TIBCO Business Events - podra
ser la eleccin correcta en su caso de uso especfico.
Estado del arte que hace el autor
El autor cita: Ms all de lo econmico y social considerable cargas asociadas
con intentos no mortales segn (Shepard, Gurewich, Lwin, Reed, y
Silverman, 2016), una de las principales causas de muerte en el mundo
(Ribeiro et al., 2016a). Este alcance y la gravedad del problema han provocado
una atencin sustancial de investigacin. Sin embargo, nuestra capacidad de
predecir los intentos no mortales permanece marginalmente por encima de los
niveles de probabilidad. Las tasas de intentos de suicidio no fatales continan
intratables, con estimaciones recientes que sugieren que los intentos pueden
estar en aumento.

Descripcin del aporte del autor

El propsito del presente estudio fue evaluar la precisin y el tiempo variacin
de un intento de suicidio potencialmente escalable estrategia de deteccin de
riesgos: aprendizaje automtico aplicado a electrnica registros de salud
(EHR). Metaanlisis recientes han demostrado que la capacidad de predecir
los intentos de suicidio ha sido casi casual durante dcadas (Franklin et al.,
2017). Una razn importante para esta pobre prediccin es que la mayora de
los estudios evaluados predictores en aislamiento (por ejemplo, un diagnstico
de depresin) e incluso el mejor los predictores aislados son inexactos
(Franklin et al., 2017; Ribeiro et al., 2016a). Prediccin exacta del intento de
suicidio puede requerir combinaciones complejas de cientos de riesgos
factores. Las tcnicas estadsticas tradicionales no son ideales para tales
anlisis; Afortunadamente, las tcnicas de aprendizaje automtico (ML) son
muy adecuados para tales problemas. Estas tcnicas
puede probar una amplia gama de asociaciones complejas entre un gran
nmero de factores potenciales para producir algoritmos que optimizan la
prediccin. ML retrospectivo los estudios sugieren que este enfoque puede ser
prometedor

Colocar las referencias bibliogrficas referenciadas en este informe

1. Shepard, D. S., Gurewich, D., Lwin, A. K., Reed, G. A., & Silverman, M. M. (2016).
Suicide and suicidal attempts in the United States: Costs and policy implications.
Suicide and Life-Threatening Behavior, 46, 352362. http://doi.org/
10.1111/sltb.12225.
2. Franklin, J. C., Ribeiro, J. D., Fox, K. R., Bentley, K. H., Kleiman, E. M., Huang,
X., . . . Nock, M. K. (2017). Psychological Bulletin, 143, 187232.