論文の概要: The Influences of Pre-birth Factors in Early Assessment of Child
Mortality using Machine Learning Techniques
- arxiv url: http://arxiv.org/abs/2011.09536v1
- Date: Wed, 18 Nov 2020 20:37:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-24 05:24:27.471764
- Title: The Influences of Pre-birth Factors in Early Assessment of Child
Mortality using Machine Learning Techniques
- Title（参考訳）: 機械学習による幼児死亡率の早期評価における出生前要因の影響
- Authors: Asadullah Hill Galib, Nadia Nahar, and B M Mainul Hossain
- Abstract要約: 本研究は、出生前要因である出生前履歴、母性歴史、再生履歴、社会経済状態等を、児童死亡率の分類に取り入れることを目的とする。
4つの機械学習アルゴリズムが小児死亡率の分類のために評価されている。
その結果, 小児死亡率の分類においてAUCスコア0.947を達成し, 臨床基準より優れていたことが示唆された。
- 参考スコア（独自算出の注目度）: 0.4817429789586127
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Analysis of child mortality is crucial as it pertains to the policy and
programs of a country. The early assessment of patterns and trends in causes of
child mortality help decision-makers assess needs, prioritize interventions,
and monitor progress. Post-birth factors of the child, such as real-time
clinical data, health data of the child, etc. are frequently used in child
mortality studies. However, in the early assessment of child mortality,
pre-birth factors would be more practical and beneficial than the post-birth
factors. This study aims at incorporating pre-birth factors, such as birth
history, maternal history, reproduction history, socioeconomic condition, etc.
for classifying child mortality. To assess the relative importance of the
features, Information Gain (IG) attribute evaluator is employed. For
classifying child mortality, four machine learning algorithms are evaluated.
Results show that the proposed approach achieved an AUC score of 0.947 in
classifying child mortality which outperformed the clinical standards. In terms
of accuracy, precision, recall, and f-1 score, the results are also notable and
uniform. In developing countries like Bangladesh, the early assessment of child
mortality using pre-birth factors would be effective and feasible as it avoids
the uncertainty of the post-birth factors.
- Abstract（参考訳）: 子どもの死亡率の分析は、国の政策やプログラムに関係しているため重要である。
幼児死亡の原因のパターンと傾向の早期評価は、意思決定者がニーズを評価し、介入を優先し、進捗を監視するのに役立つ。
児の産後因子、例えばリアルタイム臨床データ、子供の健康データなどは、小児死亡研究において頻繁に用いられる。
しかし、幼児死亡の早期評価においては、出生前因子は出産後因子よりも実用的で有益である。
本研究は、出生前要因である出生前履歴、母性歴史、再生履歴、社会経済状態等を取り入れて、子供の死亡率を分類することを目的とする。
特徴の相対的重要性を評価するために、情報ゲイン属性評価器(IG)を用いる。
児童死亡率の分類には、4つの機械学習アルゴリズムが評価される。
その結果, 小児死亡率の分類においてAUCスコア0.947を達成し, 臨床基準を上回る結果を得た。
精度、精度、リコール、およびf-1スコアに関しても、結果は顕著で均一である。
バングラデシュのような途上国では、出生前の要因による幼児死亡率の早期評価は、出生後の要因の不確実性を避けるために効果的かつ実現可能である。
関連論文リスト
- SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
セプシスは米国での院内死亡の主な原因である。
既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。
限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-07-24T04:47:36Z) - I-SIRch: AI-Powered Concept Annotation Tool For Equitable Extraction And Analysis Of Safety Insights From Maternity Investigations [0.8609957371651683]
医療データを分析するための現在のツールのほとんどは、人間の要素の重要性を見越して、バイオメディカルな概念にのみ焦点をあてている。
We developed I-SIRch, using AI to Automatic Identification and label human factors concept。
I-SIRchは実データを用いて訓練され、実データとシミュレーションデータの両方でテストし、人間の因子の概念を識別する性能を評価した。
論文 参考訳（メタデータ） (2024-06-08T16:05:31Z) - ConSiDERS-The-Human Evaluation Framework: Rethinking Human Evaluation for Generative Large Language Models [53.00812898384698]
生成型大規模言語モデル(LLM)の人間による評価は多分野にわたる作業であるべきだと論じる。
認知バイアスが、流動的な情報や真理をいかに説明するか、そして、認識の不確実性が、Likertのような評価スコアの信頼性にどのように影響するかを強調します。
本稿では,ConSiDERS-The-Human評価フレームワークを提案する。一貫性,スコーリング基準,差別化,ユーザエクスペリエンス,責任,スケーラビリティの6つの柱からなる。
論文 参考訳（メタデータ） (2024-05-28T22:45:28Z) - Towards an educational tool for supporting neonatologists in the
delivery room [0.26999000177990923]
本稿では,リスク要因と実際のデータから発生イベントに与える影響を識別する機械学習手法を提案する。
我々の最終目標は、高リスク患者に対する適切な介入の認識率と計画を改善することができる、ユーザフレンドリーなモバイルアプリを設計することです。
論文 参考訳（メタデータ） (2024-03-11T16:03:21Z) - Unveiling the Unborn: Advancing Fetal Health Classification through Machine Learning [0.0]
本研究では,胎児の健康分類のための新しい機械学習手法を提案する。
提案したモデルでは、テストセットで98.31%の精度が得られる。
複数のデータポイントを組み込むことで、我々のモデルはより包括的で信頼性の高い評価を提供する。
論文 参考訳（メタデータ） (2023-09-30T22:02:51Z) - Predicting Adverse Neonatal Outcomes for Preterm Neonates with
Multi-Task Learning [51.487856868285995]
われわれはまず, 3つの不良新生児結果の相関関係を解析し, マルチタスク学習(MTL)問題として複数の新生児結果の診断を定式化する。
特に、MTLフレームワークは、共有された隠れレイヤと複数のタスク固有のブランチを含んでいる。
論文 参考訳（メタデータ） (2023-03-28T00:44:06Z) - Early prediction of the risk of ICU mortality with Deep Federated
Learning [0.0]
我々は,集中治療室の死亡リスクを早期に予測するために,深層連携学習の能力を評価する。
患者の病歴ウィンドウが退院や死亡に近づくと,予測性能が高くなることを示す。
論文 参考訳（メタデータ） (2022-12-01T15:01:27Z) - LAE : Long-tailed Age Estimation [52.5745217752147]
まず、簡単な標準ベースラインを定式化し、事前トレーニング、データ拡張、モデルアーキテクチャなどのトリックを収集することで、はるかに強力なベースラインを構築します。
標準ベースラインと比較して,提案手法は推定誤差を著しく低減する。
本稿では,Long-tailed Age Estimation (LAE) という2段階の学習手法を提案する。
論文 参考訳（メタデータ） (2021-10-25T09:05:44Z) - 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) - Enabling Counterfactual Survival Analysis with Balanced Representations [64.17342727357618]
生存データは様々な医学的応用、すなわち薬物開発、リスクプロファイリング、臨床試験で頻繁に見られる。
本稿では,生存結果に適用可能な対実的推論のための理論的基盤を持つ統一的枠組みを提案する。
論文 参考訳（メタデータ） (2020-06-14T01:15:00Z) - Quantifying Community Characteristics of Maternal Mortality Using Social
Media [12.265295793821931]
コミュニティの特徴に関する洞察を提供する上で,ソーシャルメディア言語が果たす役割について検討する。
Twitter上で妊娠関連トピックに言及する確率は、標準的な社会経済やリスク変数よりも高い精度で母体死亡率を予測する。
次に、コミュニティ言語の心理的次元を調査し、信頼度が低く、ストレスが強く、ネガティブな感情的言語の使用が死亡率の上昇に著しく関係していることを見出した。
論文 参考訳（メタデータ） (2020-04-14T04:57:51Z)
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。