Data klinických registrů lze chápat jako soubory datových vektorů, které jsou rozmístěny ve vícerozměrném prostoru. Nejen při analýzách klinických dat, ale i při managementu sběru dat v klinických registrech je často vyžadováno buď rozdělení souboru pacientů do příbuzných podskupin, nebo dohledání nejbližších sousedů k vybranému pacientovi. Cílem diplomové práce je připravit metodiku a odladit algoritmus, který uvedené úkoly bude schopen řešit v reálném čase a bude snadno modifikovatelný pro nasazení v registrech provozovaných v systému TRIALDB.

Cíle diplomové práce:

• Připravit přehlednou rešerši o metodách diskriminační a clusterové analýzy
• Otestovat tyto metody v dostupném matematickém a statistickém SW, srovnání výhod a nevýhod
• Připravit metodiku a funkční algoritmus pro shlukování podobných či stejných subjektů ve vybraném klinickém registru
• Připravit algoritmus a jeho implementaci nad databází systému TRIALDB, který umožní vyhledat podobné či stejné subjekty ke zvolenému subjektu

Literatura

• Fraley C, Raftery A. Model-based clustering, discriminant analysis, and density estimation. Journal of the American Statistical Association. 2002 JUN 2002;97(458):611-31.
• Jayanthi J, Mallia R, Shiny S, Baiju K, Mathews A, Kumar R, et al. Discriminant Analysis of Autofluorescence Spectra for Classification of Oral Lesions In Vivo. Lasers in Surgery and Medicine. 2009 JUL 2009;41(5):345-52.
• Nadkarni PM, Brandt C, Frawley S, Sayward FG, Einbinder R, Zelterman D, Schacter L, Miller PL. 1998. Managing attribute--value clinical trials data using the ACT/DB client-server database system. J Am Med Inform Assoc 5(2):139-151.