O pesquisador deve aplicar um algoritmo de regressão linear para prever a resposta ao tratamento, uma vez que não possui rótulos nos dados e, portanto, não pode utilizar métodos supervisionados.

Um algoritmo de agrupamento, como DBSCAN, pode ser utilizado para identificar grupos de pacientes com características similares usando apenas o status de se houve ou não sucesso no tratamento, permitindo ao pesquisador descobrir padrões ocultos nos dados.

O pesquisador pode usar um modelo de aprendizado supervisionado, como uma árvore de decisão, para prever os resultados do tratamento em novos pacientes uma vez que os dados possuem rótulos de se o paciente teve ou não sucesso em seu tratamento.

Para explorar a estrutura dos dados e reduzir a dimensionalidade antes de aplicar qualquer técnica de aprendizado supervisionado, o pesquisador deve rotular todos os dados manualmente, pois algoritmos não supervisionados não podem operar em dados sem rótulos.

O uso de um algoritmo de aprendizado não supervisionado permitirá ao pesquisador identificar características que não têm relação com o resultado do tratamento, mas que podem ser úteis para prever a eficácia do tratamento em novos pacientes.