論文の概要: An explainable XGBoost-based approach towards assessing the risk of
cardiovascular disease in patients with Type 2 Diabetes Mellitus
- arxiv url: http://arxiv.org/abs/2009.06629v2
- Date: Sat, 14 Nov 2020 18:03:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-18 11:59:17.123479
- Title: An explainable XGBoost-based approach towards assessing the risk of
cardiovascular disease in patients with Type 2 Diabetes Mellitus
- Title（参考訳）: 2型糖尿病患者におけるxgboostによる心血管疾患のリスク評価の試み
- Authors: Maria Athanasiou, Konstantina Sfrintzeri, Konstantia Zarkogianni,
Anastasia C. Thanopoulou, and Konstantina S. Nikita
- Abstract要約: 糖尿病患者における心血管疾患(CVD)は障害・死亡の重要な原因である
本研究の目的は、T2DM患者における致命的または非致死的CVDの発症に関するパーソナライズされたリスク予測モデルを開発し、評価することである。
- 参考スコア（独自算出の注目度）: 1.761604268733064
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cardiovascular Disease (CVD) is an important cause of disability and death
among individuals with Diabetes Mellitus (DM). International clinical
guidelines for the management of Type 2 DM (T2DM) are founded on primary and
secondary prevention and favor the evaluation of CVD related risk factors
towards appropriate treatment initiation. CVD risk prediction models can
provide valuable tools for optimizing the frequency of medical visits and
performing timely preventive and therapeutic interventions against CVD events.
The integration of explainability modalities in these models can enhance human
understanding on the reasoning process, maximize transparency and embellish
trust towards the models' adoption in clinical practice. The aim of the present
study is to develop and evaluate an explainable personalized risk prediction
model for the fatal or non-fatal CVD incidence in T2DM individuals. An
explainable approach based on the eXtreme Gradient Boosting (XGBoost) and the
Tree SHAP (SHapley Additive exPlanations) method is deployed for the
calculation of the 5-year CVD risk and the generation of individual
explanations on the model's decisions. Data from the 5-year follow up of 560
patients with T2DM are used for development and evaluation purposes. The
obtained results (AUC = 71.13%) indicate the potential of the proposed approach
to handle the unbalanced nature of the used dataset, while providing clinically
meaningful insights about the ensemble model's decision process.
- Abstract（参考訳）: 糖尿病(DM)患者における心血管疾患(CVD)は障害と死亡の重要な原因である。
2型DM (T2DM) の国際的臨床ガイドラインは, 一次予防と二次予防に基礎を置いており, 適切な治療開始に向けたCVD関連危険因子の評価が望ましい。
CVDリスク予測モデルは、医療訪問頻度を最適化し、CVDイベントに対するタイムリーな予防および治療介入を行うための貴重なツールを提供することができる。
これらのモデルにおける説明可能性のモダリティの統合は、推論プロセスに対する人間の理解を高め、透明性を最大化し、臨床実践におけるモデルの採用に対する信頼を具現化する。
本研究の目的は、T2DM患者における致命的または非致死的CVDの発症に関するパーソナライズされたリスク予測モデルの開発と評価である。
eXtreme Gradient Boosting (XGBoost) と Tree SHAP (SHapley Additive exPlanations) 法に基づく説明可能なアプローチが,5年間のCVDリスクの計算と,モデルの決定に関する個々の説明を生成するために導入された。
t2dm患者560例の5年間の追跡データを用いて開発・評価を行った。
得られた結果(AUC = 71.13%)は、アンサンブルモデルの決定過程に関する臨床的に有意な洞察を提供しながら、使用データセットの非バランスな性質を扱うための提案手法の可能性を示している。
関連論文リスト
- Integrating Deep Learning with Fundus and Optical Coherence Tomography for Cardiovascular Disease Prediction [47.7045293755736]
心血管疾患(CVD)のリスクのある患者の早期発見は、効果的な予防ケア、医療負担の軽減、患者の生活の質の向上に不可欠である。
本研究は、網膜光コヒーレンス断層撮影(OCT)と眼底写真との併用による、将来の心疾患の特定の可能性を示すものである。
そこで我々は,MCVAE(Multi- Channel Variational Autoencoder)に基づく新たなバイナリ分類ネットワークを提案し,患者の眼底画像とOCT画像の潜伏埋め込みを学習し,個人を将来CVDを発症する可能性のあるものとそうでないものとの2つのグループに分類する。
論文 参考訳（メタデータ） (2024-10-18T12:37:51Z) - Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。
また,死亡率と臓器不全の関連性について有意な知見が得られた。
論文 参考訳（メタデータ） (2024-07-28T02:42:36Z) - MDS-ED: Multimodal Decision Support in the Emergency Department -- a Benchmark Dataset for Diagnoses and Deterioration Prediction in Emergency Medicine [0.9503773054285559]
我々は,MIMIC-IVに基づくベンチマークプロトコルと,救急部門におけるマルチモーダル意思決定支援評価の初期結果を紹介する。
患者到着から1.5時間後, 人口統計, バイオメトリックス, バイタルサイン, 検査値, 心電図波形など, 多様なデータモダリティを利用する。
論文 参考訳（メタデータ） (2024-07-25T08:21:46Z) - Petal-X: Human-Centered Visual Explanations to Improve Cardiovascular Risk Communication [1.4613744540785565]
本研究は臨床医が共有した意思決定を支援する新しいツールであるPetal-Xの設計と実装について述べる。
Petal-Xは、新しいビジュアライゼーション、Petal Product Plots、そしてSCORE2のテーラーメイドのグローバルサロゲートモデルに依存している。
論文 参考訳（メタデータ） (2024-06-26T18:48:50Z) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳（メタデータ） (2023-10-04T01:36:30Z) - Improving Opioid Use Disorder Risk Modelling through Behavioral and Genetic Feature Integration [3.524972282521988]
オピオイドは急性および慢性の痛みに対して効果的な鎮痛薬であるが、中毒のリスクを負い、毎年数百万のオピオイド使用障害(OUD)と数万の早死にを経験する。
我々は,OUDに関連する遺伝的変異をGPSとWi-Fiの時間座標から抽出した行動特徴と組み合わせ,OUDリスクを評価するための実験的設計と計算手法を開発した。
論文 参考訳（メタデータ） (2023-09-19T17:01:28Z) - Mortality Prediction with Adaptive Feature Importance Recalibration for
Peritoneal Dialysis Patients: a deep-learning-based study on a real-world
longitudinal follow-up dataset [19.7915762858399]
終末期腎疾患(ESRD)に対する腹膜透析(PD)は最も広く用いられている生命維持療法の1つである
本稿では,リアルタイム,個別化,解釈可能な死亡予測モデル - AICare のためのディープラーニングモデルを開発することを目的とする。
本研究は656 PD患者13,091 人の臨床経過と人口統計データを収集した。
論文 参考訳（メタデータ） (2023-01-17T13:17:54Z) - SurvLatent ODE : A Neural ODE based time-to-event model with competing
risks for longitudinal data improves cancer-associated Deep Vein Thrombosis
(DVT) prediction [68.8204255655161]
本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。
そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。
SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
論文 参考訳（メタデータ） (2022-04-20T17:28:08Z) - AttDMM: An Attentive Deep Markov Model for Risk Scoring in Intensive
Care Units [20.96242356493069]
ICUにおけるリアルタイムリスクスコアリングのための新しい生成的深層確率モデルを提案する。
私たちの知る限りでは、AttDMMは、健康軌道における長期疾患のダイナミクス(注意)と異なる疾患状態の両方を共同で学習する最初のICU予測モデルである。
本モデルは,医療従事者が早期に介入し,患者の命を救えるよう,リスクのある患者を特定するための道筋を示す。
論文 参考訳（メタデータ） (2021-02-09T08:44:31Z) - Clinical Outcome Prediction from Admission Notes using Self-Supervised
Knowledge Integration [55.88616573143478]
臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。
退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。
複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
論文 参考訳（メタデータ） (2021-02-08T10:26:44Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳（メタデータ） (2020-10-22T02:28:11Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。