論文の概要: Health improvement framework for planning actionable treatment process using surrogate Bayesian model

• arxiv url: http://arxiv.org/abs/2010.16087v2
• Date: Fri, 13 Nov 2020 08:13:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-01 15:50:27.288174
• Title: Health improvement framework for planning actionable treatment process using surrogate Bayesian model
• Title（参考訳）: 代理ベイズモデルを用いた行動可能治療プロセス計画のための健康改善枠組み
• Authors: Kazuki Nakamura, Ryosuke Kojima, Eiichiro Uchino, Koichi Murashita, Ken Itoh, Shigeyuki Nakaji and Yasushi Okuno
• Abstract要約: 本研究は,データ駆動方式で治療プロセスを計画するための新しい枠組みを提案する。 このフレームワークの重要なポイントは、個人の健康改善のための「行動可能性」の評価である。
• 参考スコア（独自算出の注目度）: 1.2468700211588881
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Clinical decision making regarding treatments based on personal characteristics leads to effective health improvements. Machine learning (ML) has been the primary concern of diagnosis support according to comprehensive patient information. However, the remaining prominent issue is the development of objective treatment processes in clinical situations. This study proposes a novel framework to plan treatment processes in a data-driven manner. A key point of the framework is the evaluation of the "actionability" for personal health improvements by using a surrogate Bayesian model in addition to a high-performance nonlinear ML model. We first evaluated the framework from the viewpoint of its methodology using a synthetic dataset. Subsequently, the framework was applied to an actual health checkup dataset comprising data from 3,132 participants, to improve systolic blood pressure values at the individual level. We confirmed that the computed treatment processes are actionable and consistent with clinical knowledge for lowering blood pressure. These results demonstrate that our framework could contribute toward decision making in the medical field, providing clinicians with deeper insights.
• Abstract（参考訳）: 個人的特徴に基づく治療に関する臨床的意思決定は、効果的な健康改善につながる。 機械学習(ML)は、包括的患者情報に基づく診断支援の主要な関心事である。 しかし, 臨床現場における客観的治療プロセスの発達は, 残る課題である。 本研究では,データ駆動型処理プロセスの計画手法を提案する。 このフレームワークの重要なポイントは、高性能非線形MLモデルに加えて、代理ベイズモデルを用いて、個人の健康改善のための「行動可能性」を評価することである。 筆者らはまず,その方法論の観点から,合成データセットを用いたフレームワークの評価を行った。 その後、3,132人の参加者からのデータからなる実際の健康診断データセットに適用し、個々のレベルで収縮期血圧値を改善する。 計算処理プロセスは,血圧低下に関する臨床知識と整合性があることを確認した。 これらの結果から,我々は医療分野における意思決定に寄与し,臨床医に深い洞察を与えることができた。

関連論文リスト

• Methodological Explainability Evaluation of an Interpretable Deep Learning Model for Post-Hepatectomy Liver Failure Prediction Incorporating Counterfactual Explanations and Layerwise Relevance Propagation: A Prospective In Silico Trial [13.171582596404313]
  術前PHLF予測のための可変オートエンコーダ-多層パーセプトロン (VAE-MLP) モデルを開発した。 このモデルは、その意思決定メカニズムに関する洞察を提供するために、カウンターファクトアルとレイヤワイズ関連伝播(LRP)を統合した。 サイリコ臨床試験の3トラックの結果、AIの説明が提供されると、臨床医の予測精度と信頼性が向上した。
  論文  参考訳（メタデータ） (2024-08-07T13:47:32Z)
• Medical Knowledge Integration into Reinforcement Learning Algorithms for Dynamic Treatment Regimes [1.4088763981769077]
  動的治療レジーム(DTR)は、臨床データから得られた決定規則に基づいて治療効果を高める。 強化学習(Reinforcement Learning, RL)アルゴリズムは、個々の患者データとその医療履歴によって規定されたこれらの決定ルールを決定することができる。 これらのモデルに医療専門知識を組み込むことで、治療勧告の信頼性を高め、医療専門家や患者によるこのアプローチの採用を促進することができる。
  論文  参考訳（メタデータ） (2024-06-29T08:23:01Z)
• Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary Task Integration [54.76511683427566]
  本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。 この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。 PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
  論文  参考訳（メタデータ） (2024-02-16T05:16:20Z)
• Causal Inference under Data Restrictions [0.0]
  この論文は、不確実性とデータ制限の下での現代の因果推論に焦点を当てている。 これには、ネオアジュバント臨床試験、分散データネットワーク、堅牢な個別化意思決定へのアプリケーションが含まれる。
  論文  参考訳（メタデータ） (2023-01-20T20:14:32Z)
• Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
  治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。 ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。 我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
  論文  参考訳（メタデータ） (2022-06-16T17:59:05Z)
• Optimal discharge of patients from intensive care via a data-driven policy learning framework [58.720142291102135]
  退院課題は、退院期間の短縮と退院決定後の退院や死亡のリスクとの不確実なトレードオフに対処することが重要である。 本研究は、このトレードオフを捉えるためのエンドツーエンドの汎用フレームワークを導入し、最適放電タイミング決定を推奨する。 データ駆動型アプローチは、患者の生理的状態を捉えた同種で離散的な状態空間表現を導出するために用いられる。
  論文  参考訳（メタデータ） (2021-12-17T04:39:33Z)
• Literature-Augmented Clinical Outcome Prediction [10.46990394710927]
  EBMとAIベースの臨床モデルとのギャップを埋める技術を導入する。 集中治療(ICU)患者情報に基づいて患者固有の文献を自動的に検索するシステムを提案する。 我々のモデルは,最近の強靭なベースラインと比較して,3つの課題に対する予測精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2021-11-16T11:19:02Z)
• Development of patients triage algorithm from nationwide COVID-19 registry data based on machine learning [1.0323063834827415]
  本稿では,機械学習技術を用いた重症度評価モデルの開発過程について述べる。 モデルは基本的な患者の基本的個人データのみを必要とするため、患者は自身の重症度を判断できる。 本研究の目的は、患者が自身の重症度をチェックできる医療システムを構築し、同様の重症度を持つ他の患者の過去の治療内容に基づいて、適切な診療所への訪問を通知することである。
  論文  参考訳（メタデータ） (2021-09-18T19:56:27Z)
• The Medkit-Learn(ing) Environment: Medical Decision Modelling through Simulation [81.72197368690031]
  医用シーケンシャルな意思決定に特化して設計された新しいベンチマークスイートを提案する。 Medkit-Learn(ing) Environmentは、高忠実度合成医療データに簡単かつ簡単にアクセスできるPythonパッケージである。
  論文  参考訳（メタデータ） (2021-06-08T10:38:09Z)
• 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)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)

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。