論文の概要: Analysis and classification of main risk factors causing stroke in
Shanxi Province
- arxiv url: http://arxiv.org/abs/2106.00002v1
- Date: Sat, 29 May 2021 14:27:08 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-05 16:30:08.310154
- Title: Analysis and classification of main risk factors causing stroke in
Shanxi Province
- Title（参考訳）: 山西省における脳卒中の主な危険因子の解析と分類
- Authors: Junjie Liu, Yiyang Sun, Jing Ma, Jiachen Tu, Yuhui Deng, Ping He,
Huaxiong Huang, Xiaoshuang Zhou, Shixin Xu
- Abstract要約: 中国では近年、脳卒中が最初の死因となっている。
中国国家ストローク予防プロジェクト(CSPP)における「8+2」要因の重要性を評価した。
また、人間の脳卒中の確率を機械学習モデルで予測することもできる。
- 参考スコア（独自算出の注目度）: 8.205220957412354
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In China, stroke is the first leading cause of death in recent years. It is a
major cause of long-term physical and cognitive impairment, which bring great
pressure on the National Public Health System. Evaluation of the risk of
getting stroke is important for the prevention and treatment of stroke in
China. A data set with 2000 hospitalized stroke patients in 2018 and 27583
residents during the year 2017 to 2020 is analyzed in this study. Due to data
incompleteness, inconsistency, and non-structured formats, missing values in
the raw data are filled with -1 as an abnormal class. With the cleaned
features, three models on risk levels of getting stroke are built by using
machine learning methods. The importance of "8+2" factors from China National
Stroke Prevention Project (CSPP) is evaluated via decision tree and random
forest models. Except for "8+2" factors the importance of features and SHAP1
values for lifestyle information, demographic information, and medical
measurement are evaluated and ranked via a random forest model. Furthermore, a
logistic regression model is applied to evaluate the probability of getting
stroke for different risk levels. Based on the census data in both communities
and hospitals from Shanxi Province, we investigate different risk factors of
getting stroke and their ranking with interpretable machine learning models.
The results show that Hypertension (Systolic blood pressure, Diastolic blood
pressure), Physical Inactivity (Lack of sports), and Overweight (BMI) are
ranked as the top three high-risk factors of getting stroke in Shanxi province.
The probability of getting stroke for a person can also be predicted via our
machine learning model.
- Abstract（参考訳）: 中国では近年、脳卒中が最初の死因となっている。
長期の身体的および認知的障害の主な原因であり、国家の公衆衛生システムに大きなプレッシャーとなっている。
中国における脳卒中予防と治療には脳卒中リスクの評価が重要である。
本研究は,2017～2020年に入院した脳卒中患者2000名と,患者27583名を対象にしたデータである。
データ不完全性、不一貫性、非構造化フォーマットのため、生データの値の欠如は、異常クラスとして-1で満たされる。
クリーンな機能により、機械学習手法を使用して、脳卒中のリスクレベルに関する3つのモデルが構築される。
中国国家ストローク予防プロジェクト(CSPP)の「8+2」要因の重要性は、決定木とランダム森林モデルを用いて評価される。
8+2因子を除くと、ライフスタイル情報、人口統計情報、医療測定における特徴とSHAP1値の重要性を評価し、ランダム森林モデルを用いてランク付けする。
さらに,ロジスティック回帰モデルを用いて異なるリスクレベルに対する脳卒中発生確率を評価する。
山西省の市町村と病院の国勢調査データをもとに,脳卒中リスク要因と,解釈可能な機械学習モデルによるランク付けについて検討した。
その結果,山西省では高血圧(体性血圧,拡張型血圧),身体不活性(スポーツの欠如),過体重(BMI)が脳卒中発症の危険因子の上位3つにランクされている。
また、人間の脳卒中の確率を機械学習モデルで予測することもできる。
関連論文リスト
- A machine learning approach for Premature Coronary Artery Disease Diagnosis according to Different Ethnicities in Iran [0.9674145073701151]
早期冠動脈疾患(PCAD)は、男性55歳未満、女性65歳未満の早期発症を指す。
本研究では, PCADの主要なリスク要因のうち, 民族のランクについて検討した。
性別と年齢が最も重要な予測者であり、民族が3番目に重要だった。
論文 参考訳（メタデータ） (2025-01-31T05:20:56Z) - Stroke Prediction using Clinical and Social Features in Machine Learning [0.0]
ストロークは世界で2番目に多い死因である。
脳卒中は世界第2位の死因であり、生活習慣に基づく脳卒中確率を予測することが重要である。
この分析は、脳卒中予測のためのニューラルネットワーク(密度と畳み込み)とロジスティック回帰モデルを比較する。
論文 参考訳（メタデータ） (2024-12-27T23:05:16Z) - Survival modeling using deep learning, machine learning and statistical methods: A comparative analysis for predicting mortality after hospital admission [9.719996519981333]
コックス比例ハザード(CoxPH)、ステップワイドコックスPH、弾性ネットペナル化コックスモデル、GBM学習など、いくつかの生存分析手法の比較研究を行った。
症例スタディとして,2017年から2019年にかけて,第3次病院救急外来で入院した患者の振り返り分析を行った。
C-indexの結果は、ディープラーニングが同等のパフォーマンスを達成し、DeepSurvが最高の差別を生み出していることを示している。
論文 参考訳（メタデータ） (2024-03-04T10:46:02Z) - Towards Clinical Prediction with Transparency: An Explainable AI
Approach to Survival Modelling in Residential Aged Care [0.0]
この研究は、機械学習を用いて高齢者ケアの生存モデルを作成し、死亡リスク要因に関する臨床的知見と一致させる。
主な死亡率予測には、年齢、男性性、移動性、健康状態、圧力潰瘍リスク、食欲などが含まれる。
論文 参考訳（メタデータ） (2023-12-01T01:11:16Z) - Interpretable Survival Analysis for Heart Failure Risk Prediction [50.64739292687567]
現状の生存モデルと解釈可能かつ競合する新しい生存分析パイプラインを提案する。
我々のパイプラインは最先端のパフォーマンスを達成し、心不全のリスク要因に関する興味深い新しい洞察を提供する。
論文 参考訳（メタデータ） (2023-10-24T02:56:05Z) - Diagnosis Uncertain Models For Medical Risk Prediction [80.07192791931533]
本研究は, 患者の診断にはアクセスできない, バイタルサイン, 検査値, 既往歴にアクセス可能な患者リスクモデルについて考察する。
このようなすべての原因のリスクモデルが、診断全体にわたって良い一般化を持つが、予測可能な障害モードを持つことが示される。
患者診断の不確実性から生じるリスク予測の不確実性を明示的にモデル化し,この問題に対する対策を提案する。
論文 参考訳（メタデータ） (2023-06-29T23:36:04Z) - Penalized Deep Partially Linear Cox Models with Application to CT Scans
of Lung Cancer Patients [42.09584755334577]
肺がんは世界中のがん死亡の原因であり、効果的な治療法を設計するための死亡リスクを理解することの重要性を強調している。
NLST(National Lung Screening Trial)は、肺がん患者の死亡リスクを定量化するために、CTテクスチャ解析を用いている。
本稿では,SCADペナルティを組み込んで重要なテクスチャ特徴を抽出し,深層ニューラルネットワークを用いてモデルの非パラメトリック成分を推定する,Pentalized Deep partially Linear Cox Model (Penalized DPLC)を提案する。
論文 参考訳（メタデータ） (2023-03-09T15:38:16Z) - Patient-independent Epileptic Seizure Prediction using Deep Learning
Models [39.19336481493405]
発作予知システムの目的は、発作が起こる前に起こる前頭前脳のステージを正常に識別することである。
患者に依存しない発作予測モデルは、データセット内の複数の被験者に正確なパフォーマンスを提供するように設計されている。
患者に依存しない2つの深層学習アーキテクチャを提案する。
論文 参考訳（メタデータ） (2020-11-18T23:13:48Z) - 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) - 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) - Two Tier Prediction of Stroke Using Artificial Neural Networks and
Support Vector Machines [0.0]
統計的には、脳卒中は2番目の死因である。
これは脳卒中を予測できる2段階のシステムを提案する動機となった。
最初の階層では、ANN(Artificial Neural Network)を使用して、脳卒中を患う人の可能性を予測する。
ひとたび脳卒中リスクが高いと分類されると、s/heは別の階層2分類テストを行い、脳卒中の可能性を予測するために神経MRIが分析される。
論文 参考訳（メタデータ） (2020-03-17T07:20:59Z)
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。