論文の概要: AutoScore-Imbalance: An interpretable machine learning tool for
development of clinical scores with rare events data
- arxiv url: http://arxiv.org/abs/2107.06039v1
- Date: Tue, 13 Jul 2021 12:49:32 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-14 20:13:50.840499
- Title: AutoScore-Imbalance: An interpretable machine learning tool for
development of clinical scores with rare events data
- Title(参考訳): autoscore-imbalance:レアイベントデータを用いた臨床スコア作成のための解釈可能な機械学習ツール
- Authors: Han Yuan, Feng Xie, Marcus Eng Hock Ong, Yilin Ning, Marcel Lucas
Chee, Seyed Ehsan Saffari, Hairil Rizal Abdullah, Benjamin Alan Goldstein,
Bibhas Chakraborty, Nan Liu
- Abstract要約: AutoScoreは機械学習と一般化線形モデルに基づく有用な臨床スコア生成器として提案された。
トレーニングデータセット最適化,サンプル重量最適化,調整されたAutoScoreの3つのコンポーネントからなるAutoScore-Im Balanceを開発した。
このツールは、まれな医療イベントに関するさらなる洞察を得るために、高度にバランスのとれたデータセットに適用される可能性がある。
- 参考スコア(独自算出の注目度): 4.489401352256435
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Background: Medical decision-making impacts both individual and public
health. Clinical scores are commonly used among a wide variety of
decision-making models for determining the degree of disease deterioration at
the bedside. AutoScore was proposed as a useful clinical score generator based
on machine learning and a generalized linear model. Its current framework,
however, still leaves room for improvement when addressing unbalanced data of
rare events. Methods: Using machine intelligence approaches, we developed
AutoScore-Imbalance, which comprises three components: training dataset
optimization, sample weight optimization, and adjusted AutoScore. All scoring
models were evaluated on the basis of their area under the curve (AUC) in the
receiver operating characteristic analysis and balanced accuracy (i.e., mean
value of sensitivity and specificity). By utilizing a publicly accessible
dataset from Beth Israel Deaconess Medical Center, we assessed the proposed
model and baseline approaches in the prediction of inpatient mortality.
Results: AutoScore-Imbalance outperformed baselines in terms of AUC and
balanced accuracy. The nine-variable AutoScore-Imbalance sub-model achieved the
highest AUC of 0.786 (0.732-0.839) while the eleven-variable original AutoScore
obtained an AUC of 0.723 (0.663-0.783), and the logistic regression with 21
variables obtained an AUC of 0.743 (0.685-0.800). The AutoScore-Imbalance
sub-model (using down-sampling algorithm) yielded an AUC of 0. 0.771
(0.718-0.823) with only five variables, demonstrating a good balance between
performance and variable sparsity. Conclusions: The AutoScore-Imbalance tool
has the potential to be applied to highly unbalanced datasets to gain further
insight into rare medical events and to facilitate real-world clinical
decision-making.
- Abstract(参考訳): 背景:医療的意思決定は個人と公共の健康の両方に影響を及ぼす。
臨床スコアは、ベッドサイドの疾患の程度を決定するための様々な意思決定モデルで一般的に使用される。
AutoScoreは機械学習と一般化線形モデルに基づく有用な臨床スコア生成器として提案された。
しかし、現在のフレームワークは、レアなイベントの不均衡なデータに対処する際に改善の余地を残している。
手法: マシンインテリジェンスアプローチを用いて、トレーニングデータセット最適化、サンプル重量最適化、調整されたAutoScoreの3つのコンポーネントからなるAutoScore-Im Balanceを開発した。
全てのスコアリングモデルは、特性解析とバランスのとれた精度(すなわち感度と特異度の平均値)の受信機において、曲線下領域(auc)に基づいて評価された。
本研究では,Beth Israel Deaconess Medical Centerから公開されているデータセットを用いて,院内死亡予測におけるモデルおよびベースラインアプローチの評価を行った。
結果: AutoScore-Im Balance は AUC と平衡精度でベースラインを上回った。
9変数のAutoScore-Im Balanceサブモデルは0.786 (0.732-0.839)、11変数のAutoScoreは0.723 (0.663-0.783)、21変数のロジスティック回帰は0.743 (0.685-0.800)に達した。
AutoScore-Im Balanceサブモデル(ダウンサンプリングアルゴリズム)ではAUCは0。
0.771 (0.718-0.823) で5つの変数しか持たない。
結論: このautoscore-imbalanceツールは、高度にバランスの取れないデータセットに適用され、まれな医療イベントに関するさらなる洞察を得て、実際の臨床意思決定を促進する可能性がある。
関連論文リスト
- Improving Machine Learning Based Sepsis Diagnosis Using Heart Rate Variability [0.0]
本研究の目的は、心拍変動(HRV)機能を用いて、敗血症検出のための効果的な予測モデルを開発することである。
ニューラルネットワークモデルは、HRVの特徴に基づいてトレーニングされ、F1スコアは0.805、精度は0.851、リコールは0.763である。
論文 参考訳(メタデータ) (2024-08-01T01:47:29Z) - The Potential of Wearable Sensors for Assessing Patient Acuity in
Intensive Care Unit (ICU) [12.359907390320453]
エクイティアセスメントは、タイムリーな介入と公平なリソース割り当てを提供するために、重要なケア設定において不可欠である。
従来のAcuityスコアには、ICUの回復や劣化を示す、患者のモビリティレベルなどの詳細な情報が含まれていない。
本研究では,手首の加速度計から収集したモビリティデータとEHRから得られた臨床データとを統合してAIによる明度評価スコアを作成することによる影響について検討した。
論文 参考訳(メタデータ) (2023-11-03T21:52:05Z) - From Static Benchmarks to Adaptive Testing: Psychometrics in AI Evaluation [60.14902811624433]
本稿では,静的評価手法から適応テストへのパラダイムシフトについて論じる。
これには、ベンチマークで各テスト項目の特性と価値を推定し、リアルタイムでアイテムを動的に調整することが含まれる。
我々は、AI評価にサイコメトリックを採用する現在のアプローチ、アドバンテージ、そして根底にある理由を分析します。
論文 参考訳(メタデータ) (2023-06-18T09:54:33Z) - Clinical Deterioration Prediction in Brazilian Hospitals Based on
Artificial Neural Networks and Tree Decision Models [56.93322937189087]
超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる
XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
論文 参考訳(メタデータ) (2022-12-17T23:29:14Z) - Density-Aware Personalized Training for Risk Prediction in Imbalanced
Medical Data [89.79617468457393]
不均衡率(クラス密度差)のトレーニングモデルは、最適以下の予測につながる可能性がある。
この不均衡問題に対するモデルトレーニングのためのフレームワークを提案する。
実世界の医療データセットにおけるモデルの性能向上を実証する。
論文 参考訳(メタデータ) (2022-07-23T00:39:53Z) - Dynamic Bank Learning for Semi-supervised Federated Image Diagnosis with
Class Imbalance [65.61909544178603]
クラス不均衡半教師付きFL(imFed-Semi)の実用的かつ困難な問題について検討する。
このImFed-Semi問題は、クラス比例情報を利用してクライアントトレーニングを改善する新しい動的銀行学習方式によって解決される。
25,000個のCTスライスによる頭蓋内出血診断と10,015個の皮膚内視鏡画像による皮膚病変診断の2つの公開実世界の医療データセットに対するアプローチを評価した。
論文 参考訳(メタデータ) (2022-06-27T06:51:48Z) - AutoScore-Ordinal: An interpretable machine learning framework for
generating scoring models for ordinal outcomes [2.3673317568384076]
AutoScoreは、機械学習に基づくバイナリ結果のための自動臨床スコア生成装置である。
本研究の目的は、AutoScoreフレームワークを拡張して、日常的な結果に対するリスク予測を解釈するためのツールを提供することである。
論文 参考訳(メタデータ) (2022-02-17T02:16:34Z) - Benchmarking AutoML Frameworks for Disease Prediction Using Medical
Claims [7.219529711278771]
我々は、人口統計情報や病気コード用のフラグなど、歴史的行政的主張を用いた大規模なデータセットを作成した。
このデータセット上で3つのAutoMLツールをトレーニングし、2019年の6つの異なる疾患結果を予測するとともに、いくつかのメトリクスでモデルパフォーマンスを評価しました。
全てのモデルでは、精度・リコール曲線の下で低面積を記録し、正の正の予測に失敗し、正の負の速度を高く保った。
論文 参考訳(メタデータ) (2021-07-22T07:34:48Z) - AutoScore-Survival: Developing interpretable machine learning-based
time-to-event scores with right-censored survival data [5.102511190964688]
AutoScoreは以前、解釈可能な機械学習スコアジェネレータとして開発された。
我々は,自動スコア・サバイバル(AutoScore-Survival)を開発した。
論文 参考訳(メタデータ) (2021-06-13T10:21:45Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳(メタデータ) (2021-04-07T06:02:04Z) - Deep learning-based COVID-19 pneumonia classification using chest CT
images: model generalizability [54.86482395312936]
深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。
我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。
複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
論文 参考訳(メタデータ) (2021-02-18T21:14:52Z)
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。