論文の概要: MIMIC-IF: Interpretability and Fairness Evaluation of Deep Learning
Models on MIMIC-IV Dataset
- arxiv url: http://arxiv.org/abs/2102.06761v1
- Date: Fri, 12 Feb 2021 20:28:06 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-17 16:42:17.605370
- Title: MIMIC-IF: Interpretability and Fairness Evaluation of Deep Learning
Models on MIMIC-IV Dataset
- Title（参考訳）: MIMIC-IF:MIMIC-IVデータセットを用いたディープラーニングモデルの解釈性と公平性評価
- Authors: Chuizheng Meng, Loc Trinh, Nan Xu, Yan Liu
- Abstract要約: MIMIC-IV (Medical Information Mart for Intensive Care, Version IV) は,医療データセットとして最大規模である。
本研究では,データセット表現バイアスの包括的解析と,深層学習モデルの解釈可能性と予測フェアネスを用いて,病院内死亡率予測を行う。
- 参考スコア（独自算出の注目度）: 15.436560770086205
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The recent release of large-scale healthcare datasets has greatly propelled
the research of data-driven deep learning models for healthcare applications.
However, due to the nature of such deep black-boxed models, concerns about
interpretability, fairness, and biases in healthcare scenarios where human
lives are at stake call for a careful and thorough examinations of both
datasets and models. In this work, we focus on MIMIC-IV (Medical Information
Mart for Intensive Care, version IV), the largest publicly available healthcare
dataset, and conduct comprehensive analyses of dataset representation bias as
well as interpretability and prediction fairness of deep learning models for
in-hospital mortality prediction. In terms of interpretabilty, we observe that
(1) the best performing interpretability method successfully identifies
critical features for mortality prediction on various prediction models; (2)
demographic features are important for prediction. In terms of fairness, we
observe that (1) there exists disparate treatment in prescribing mechanical
ventilation among patient groups across ethnicity, gender and age; (2) all of
the studied mortality predictors are generally fair while the IMV-LSTM
(Interpretable Multi-Variable Long Short-Term Memory) model provides the most
accurate and unbiased predictions across all protected groups. We further draw
concrete connections between interpretability methods and fairness metrics by
showing how feature importance from interpretability methods can be beneficial
in quantifying potential disparities in mortality predictors.
- Abstract（参考訳）: 最近の大規模医療データセットのリリースは、医療アプリケーションのためのデータ駆動ディープラーニングモデルの研究を大いに推進した。
しかし、このような深いブラックボックスモデルの性質から、人間の命がかかっている医療シナリオにおける解釈可能性、公平性、偏見に対する懸念は、データセットとモデルの両方を慎重に徹底的に検査することを要求する。
本研究では、最大の公開医療データセットであるMIMIC-IV(Medical Information Mart for Intensive Care, Version IV)に焦点を当て、病院内死亡予測のためのディープラーニングモデルの解釈可能性および予測公平性だけでなく、データセット表現バイアスの包括的な分析を行う。
解釈可能性の観点からは,(1)最良な解釈方法が様々な予測モデルにおいて致命率予測の重要な特徴を同定し,(2)人口統計学的特徴が予測に重要であることを観察する。
公平性の観点からは,(1) 民族, 性別, 年齢を問わず, 患者集団に機械的換気を規定する異なる治療法が存在すること, (2) 調査対象の死亡予測器は概ね公平である一方で, IMV-LSTM(Interpretable Multi-Variable Long Short-Term Memory)モデルでは, 全ての保護群で最も正確で偏りのない予測が提供される。
さらに,解釈可能性法と公正度指標との具体的な関係を,解釈可能性法による特徴の重要性が,死亡予測器の潜在的な相違の定量化に有効であることを示す。
関連論文リスト
- 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) - MIMO: Mutual Integration of Patient Journey and Medical Ontology for
Healthcare Representation Learning [49.57261599776167]
本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
論文 参考訳（メタデータ） (2021-07-20T07:04:52Z) - IA-GCN: Interpretable Attention based Graph Convolutional Network for
Disease prediction [47.999621481852266]
タスクに対する入力特徴の臨床的関連性を解釈する,解釈可能なグラフ学習モデルを提案する。
臨床シナリオでは、そのようなモデルは、臨床専門家が診断および治療計画のためのより良い意思決定を支援することができる。
本研究では,Tadpoleの平均精度が3.2%,UKBBジェンダーが1.6%,UKBB年齢予測タスクが2%と,比較方法と比較して優れた性能を示した。
論文 参考訳（メタデータ） (2021-03-29T13:04:02Z) - Learning to Predict with Supporting Evidence: Applications to Clinical
Risk Prediction [9.199022926064009]
機械学習モデルがヘルスケアに与える影響は、医療専門家がこれらのモデルによって予測される信頼度に依存する。
予測が信頼されるべき理由に関するドメイン関連証拠を,臨床専門性のある人に提供するための方法を提示する。
論文 参考訳（メタデータ） (2021-03-04T00:26:32Z) - Combining Graph Neural Networks and Spatio-temporal Disease Models to
Predict COVID-19 Cases in Germany [0.0]
いくつかの専門家は、新型コロナウイルスの拡散を説明するために人間の移動性を考慮する必要性を求めた。
ほとんどの統計モデルや疫学モデルでは、人間の移動性を符号化するデータを含む非構造化データソースを直接組み込むことはできない。
本稿では,両研究方向のトレードオフを提案し,統計回帰モデルと機械学習モデルの利点を組み合わせた新しい学習手法を提案する。
論文 参考訳（メタデータ） (2021-01-03T16:39:00Z) - 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) - Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。
我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。
このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
論文 参考訳（メタデータ） (2020-10-15T16:39:26Z) - 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) - 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) - A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。
また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
論文 参考訳（メタデータ） (2020-06-08T19:24:54Z) - ISeeU2: Visually Interpretable ICU mortality prediction using deep
learning and free-text medical notes [0.0]
そこで本研究では,MIMIC-IIIで訓練した深層学習モデルを用いて,生の看護ノートによる死亡率の予測と,単語の重要性の視覚的説明を行う。
我々のモデルは0.8629のROCに達し、従来のSAPS-IIスコアを上回り、類似のDeep Learningアプローチと比較して高い解釈性を提供する。
論文 参考訳（メタデータ） (2020-05-19T08:30:34Z)
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。