論文の概要: Interpretable Machine Learning for COVID-19: An Empirical Study on Severity Prediction Task

• arxiv url: http://arxiv.org/abs/2010.02006v7
• Date: Wed, 20 Oct 2021 15:08:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-12 22:51:50.372621
• Title: Interpretable Machine Learning for COVID-19: An Empirical Study on Severity Prediction Task
• Title（参考訳）: 新型コロナウイルスの解釈可能な機械学習:重症度予測課題に関する実証的研究
• Authors: Han Wu, Wenjie Ruan, Jiangtao Wang, Dingchang Zheng, Bei Liu, Yayuan Gen, Xiangfei Chai, Jian Chen, Kunwei Li, Shaolin Li, and Sumi Helal
• Abstract要約: この研究は、中国周海市で2020年1月18日から2020年3月5日までにSARS-CoV-2実験が確認された92人のデータベースを活用している。 重症度を示すバイオマーカーとして,N末端プロブリンナトリウム利尿ペプチド (NTproBNP), C反応性タンパク質 (CRP), Lactic dehydrogenase (LYM) の上昇を認めた。 ブラジルのサンパウロにあるイスラエル・アルベルト・アインシュタイン病院の患者5644名を対象に,大規模なオープンデータセットを用いて本手法の有効性を検証した。
• 参考スコア（独自算出の注目度）: 18.911485621888506
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The black-box nature of machine learning models hinders the deployment of some high-accuracy models in medical diagnosis. It is risky to put one's life in the hands of models that medical researchers do not fully understand. However, through model interpretation, black-box models can promptly reveal significant biomarkers that medical practitioners may have overlooked due to the surge of infected patients in the COVID-19 pandemic. This research leverages a database of 92 patients with confirmed SARS-CoV-2 laboratory tests between 18th Jan. 2020 and 5th Mar. 2020, in Zhuhai, China, to identify biomarkers indicative of severity prediction. Through the interpretation of four machine learning models, decision tree, random forests, gradient boosted trees, and neural networks using permutation feature importance, Partial Dependence Plot (PDP), Individual Conditional Expectation (ICE), Accumulated Local Effects (ALE), Local Interpretable Model-agnostic Explanations (LIME), and Shapley Additive Explanation (SHAP), we identify an increase in N-Terminal pro-Brain Natriuretic Peptide (NTproBNP), C-Reaction Protein (CRP), and lactic dehydrogenase (LDH), a decrease in lymphocyte (LYM) is associated with severe infection and an increased risk of death, which is consistent with recent medical research on COVID-19 and other research using dedicated models. We further validate our methods on a large open dataset with 5644 confirmed patients from the Hospital Israelita Albert Einstein, at S\~ao Paulo, Brazil from Kaggle, and unveil leukocytes, eosinophils, and platelets as three indicative biomarkers for COVID-19.
• Abstract（参考訳）: 機械学習モデルのブラックボックスの性質は、医療診断における高精度モデルの展開を妨げる。 医学研究者が十分に理解していないモデルの手に命を置くのは危険である。 しかし、ブラックボックスモデルはモデル解釈を通じて、新型コロナウイルス(covid-19)パンデミックの感染拡大によって医療従事者が見過ごされた可能性がある重要なバイオマーカーを即座に明らかにすることができる。 本研究は,2020年1月18日から2020年1月5日にかけて,中国朱海市でsars-cov-2検査が確認された92例のデータベースを用いて,重症度予測を示すバイオマーカーを同定した。 Through the interpretation of four machine learning models, decision tree, random forests, gradient boosted trees, and neural networks using permutation feature importance, Partial Dependence Plot (PDP), Individual Conditional Expectation (ICE), Accumulated Local Effects (ALE), Local Interpretable Model-agnostic Explanations (LIME), and Shapley Additive Explanation (SHAP), we identify an increase in N-Terminal pro-Brain Natriuretic Peptide (NTproBNP), C-Reaction Protein (CRP), and lactic dehydrogenase (LDH), a decrease in lymphocyte (LYM) is associated with severe infection and an increased risk of death, which is consistent with recent medical research on COVID-19 and other research using dedicated models. さらに,カグルからブラジルのサンパウロにあるイスラエル・アルベルト・アインシュタイン病院で確認された5644人の患者を対象とし,白血球,好酸球,血小板を3種類のバイオマーカーとして明らかにした。

関連論文リスト

• Explainable Biomedical Hypothesis Generation via Retrieval Augmented Generation enabled Large Language Models [46.05020842978823]
  大規模言語モデル(LLM)はこの複雑なデータランドスケープをナビゲートする強力なツールとして登場した。 RAGGEDは、知識統合と仮説生成を伴う研究者を支援するために設計された包括的なワークフローである。
  論文  参考訳（メタデータ） (2024-07-17T07:44:18Z)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• Pulmonologists-Level lung cancer detection based on standard blood test results and smoking status using an explainable machine learning approach [2.545682175108217]
  肺癌(LC)は、主に後期診断によるがん関連死亡の主な原因である。 近年, 機械学習は, 様々な疾患の発見を容易にすることによって, 医療において大きな可能性を秘めている。 LC検出のための動的アンサンブル選択(DES)に基づくMLモデルを開発した。
  論文  参考訳（メタデータ） (2024-02-14T22:00:57Z)
• 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)
• COVID-Net Biochem: An Explainability-driven Framework to Building Machine Learning Models for Predicting Survival and Kidney Injury of COVID-19 Patients from Clinical and Biochemistry Data [66.43957431843324]
  我々は、機械学習モデルを構築するための汎用的で説明可能なフレームワークであるCOVID-Net Biochemを紹介する。 この枠組みを用いて、新型コロナウイルス患者の生存率と、入院中に急性腎不全を発症する可能性を予測する。
  論文  参考訳（メタデータ） (2022-04-24T07:38:37Z)
• Challenges in the application of a mortality prediction model for COVID-19 patients on an Indian cohort [0.0]
  ヤンなど。 機械学習(ML)メソッドを使って新型コロナウイルス患者の結果を予測する研究が公開されている。 ここでは、covid-19患者の最大のデータセットの1つにデプロイすることで、このモデルの制限を示します。
  論文  参考訳（メタデータ） (2021-01-15T07:06:49Z)
• Classification supporting COVID-19 diagnostics based on patient survey data [82.41449972618423]
  新型コロナウイルス患者の効果的なスクリーニングを可能にするロジスティック回帰とXGBoost分類器が作成された。 得られた分類モデルは、DECODEサービス(decode.polsl.pl)の基礎を提供し、COVID-19病患者のスクリーニング支援に役立てることができる。 このデータセットは、3,000以上のサンプルで構成されており、ポーランドの病院で収集されたアンケートに基づいている。
  論文  参考訳（メタデータ） (2020-11-24T17:44:01Z)
• Personalized pathology test for Cardio-vascular disease: Approximate Bayesian computation with discriminative summary statistics learning [48.7576911714538]
  近似計算を用いて生物学的に有意なパラメータを推定するための血小板沈着モデルと推論手法を提案する。 この研究は、CVDの検出と治療のためのパーソナライズされた病理検査の先例のない機会を開く。
  論文  参考訳（メタデータ） (2020-10-13T15:20:21Z)
• Individualized Prediction of COVID-19 Adverse outcomes with MLHO [9.197411456718708]
  我々は、反復的な特徴とアルゴリズムの選択を利用して健康状態を予測するエンドツーエンドの機械学習フレームワークを開発した。 入院前患者の健康状態と人口統計を表わす特徴として,約600点を用いた4つの有害な結果のモデル化を行った。 以上の結果から, 人口統計学的変数は, 新型コロナウイルス感染後の副作用の予測因子として重要であるが, 過去の臨床記録の組み入れは, 信頼性の高い予測モデルに欠かせないことが示唆された。
  論文  参考訳（メタデータ） (2020-08-10T02:44:52Z)

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。