对精密医学采取以数据为驱动的方法精密医学或个性化医学将数据科学工具与医学知识相结合，使医生能够更准确地预测疾病的易感性或预后，并制定量身定制的治疗或预防计划。换句话说，目标是在正确的时间为正确的患者提供正确的治疗。使用电子病历的数据科学研究加快了精密医学领域的发展。杨Yang，工业和系统工程教授，博士。学生MiladZafarNezhad带领韦恩州立大学研究人员的跨学科团队开发精密医学的两种新颖的预测性和特征性学习方法。称为SAFS（堆叠式自动编码器特征选择）的深度学习方法为疾病风险因素的选择和预测提供了一种新方法。“特征选择意味着'重要变量选择'或重要因素选择。'它使我们能够为某些疾病选择最关键的”因素，例如体重指数，体重，血糖。SAFS采用基于神经网络的功能强大，直观且间接的方法来表示特征，或将原始数据转换为特征，因为许多原始数据不是直接有意义的因素。一项研究针对的是患有高血压和其他心血管并发症高风险的非裔美国人。应用SAFS模型来查找影响左心室质量的危险因素，该指数以体表面积（LVMI）为索引，这是心血管疾病的主要指标。对来自底特律接收医院700多名患者的数据进行的分析表明，在预测LVMI和发现疾病的关键危险因素方面，SAFS优于其他流行的方法。该团队还提出了一种使用深度学习和主动学习的生存分析框架，称为深度主动生存分析（DASA）。这项研究的动机来自于文献不足或在某些医疗领域中的应用需求，在这些领域中，标注的数据稀少且具有高维度。“内扎德说：生存分析是一种统计建模，其主要目标是分析和建模直到发生感兴趣事件（例”如患者死亡）之前的时间。“DASA能够显着改善生存分析性能，以进行风险预测和生存”时间估计，并提供治疗建议。在这项研究中，研究人员使用SEER-Medicare前列腺癌数据来评估其方法的效果，并根据非裔美国人和白人患者的不同治疗计划提供特定的种族疗法见解。SAFS和DASA各自为进一步的精密医学和医疗保健定制提供独特的特征。在Yang和Nezhad的这些研究合作者中，计算机科学副教授ZhuDongxiao和华盛顿州立大学医学院和Karmanos癌症研究所副教授JenniferBeebe-Dimmer；Karmanos和医学院的研究助理JulieRuterbusch；和MPH的PhillipLevy博士，爱德华·托马斯·爱德华（EdwardS.Thomas）授予急诊医学教授，以及WSU的转化科学和临床研究创新副总裁。
