論文の概要: Quantifying machine learning-induced overdiagnosis in sepsis
- arxiv url: http://arxiv.org/abs/2107.10399v1
- Date: Sat, 3 Jul 2021 11:55:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-25 11:55:21.226008
- Title: Quantifying machine learning-induced overdiagnosis in sepsis
- Title（参考訳）: 敗血症における機械学習による過剰診断の定量化
- Authors: Anna Fedyukova, Douglas Pires, Daniel Capurro
- Abstract要約: オーバー診断の可能性を事前に検出できる革新的なアプローチを提案する。
これは、機械学習による過剰診断を定量化する最初の試みの1つである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The proliferation of early diagnostic technologies, including self-monitoring
systems and wearables, coupled with the application of these technologies on
large segments of healthy populations may significantly aggravate the problem
of overdiagnosis. This can lead to unwanted consequences such as overloading
health care systems and overtreatment, with potential harms to healthy
individuals. The advent of machine-learning tools to assist diagnosis -- while
promising rapid and more personalised patient management and screening -- might
contribute to this issue. The identification of overdiagnosis is usually post
hoc and demonstrated after long periods (from years to decades) and costly
randomised control trials. In this paper, we present an innovative approach
that allows us to preemptively detect potential cases of overdiagnosis during
predictive model development. This approach is based on the combination of
labels obtained from a prediction model and clustered medical trajectories,
using sepsis in adults as a test case. This is one of the first attempts to
quantify machine-learning induced overdiagnosis and we believe will serves as a
platform for further development, leading to guidelines for safe deployment of
computational diagnostic tools.
- Abstract（参考訳）: 自己監視システムやウェアラブルを含む早期診断技術の急増と、これらの技術が健康な人口の大きなセグメントに応用されることは、過剰診断の問題を著しく悪化させる可能性がある。
これにより、医療システム過負荷や過剰治療などの望ましくない結果につながり、健康な個人に害を与える可能性がある。
診断を支援する機械学習ツールの出現は、患者管理とスクリーニングの迅速化を約束する一方で、この問題に寄与する可能性がある。
過度診断の同定は通常、後遺症であり、長期(数年から数十年)の後に実証され、費用のかかるランダム化制御試験が行われる。
本稿では,予測モデル開発における過剰診断の可能性を事前に検出できる革新的な手法を提案する。
この手法は、成人の敗血症を検査ケースとして、予測モデルから得られたラベルとクラスター化された医療軌跡の組み合わせに基づいている。
これは機械学習による過剰診断を定量化する最初の試みの1つであり、我々はさらなる開発のためのプラットフォームとして機能し、計算診断ツールの安全な展開のためのガイドラインとなると信じている。
関連論文リスト
- Statistical testing on generative AI anomaly detection tools in Alzheimer's Disease diagnosis [16.73336092521471]
生成AIは、医療画像における異常検出の可能性を示している。
我々は、選択的推論を用いてこの問題を解決し、アルツハイマーの予測のための信頼できる生成AI手法を開発することを提案する。
論文 参考訳（メタデータ） (2024-10-17T09:15:09Z) - 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) - A Survey of Few-Shot Learning for Biomedical Time Series [3.845248204742053]
データ駆動型モデルは、臨床診断を支援し、患者のケアを改善する大きな可能性を秘めている。
ラベル付きデータの不足を克服する新たなアプローチは、人間のような能力でAIメソッドを拡張して、少数ショット学習と呼ばれる限られた例で新しいタスクを学ぶことだ。
本調査は,生物医学的時系列アプリケーションのための数ショット学習手法の総合的なレビューと比較を行う。
論文 参考訳（メタデータ） (2024-05-03T21:22:27Z) - A Foundational Framework and Methodology for Personalized Early and
Timely Diagnosis [84.6348989654916]
本稿では,早期診断とタイムリー診断のための基礎的枠組みを提案する。
診断過程を概説する決定論的アプローチに基づいている。
機械学習と統計手法を統合し、最適なパーソナライズされた診断経路を推定する。
論文 参考訳（メタデータ） (2023-11-26T14:42:31Z) - Rethinking Human-AI Collaboration in Complex Medical Decision Making: A
Case Study in Sepsis Diagnosis [34.19436164837297]
我々は、最先端のAIアルゴリズムに基づいてSepsisLabを構築し、それを拡張して、セプシス開発の将来予測を予測する。
我々は、SepsisLabがAIによる敗血症診断の将来に向けて有望な人間とAIのコラボレーションパラダイムを実現することを実証した。
論文 参考訳（メタデータ） (2023-09-17T19:19:39Z) - Automatic diagnosis of knee osteoarthritis severity using Swin
transformer [55.01037422579516]
変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。
我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
論文 参考訳（メタデータ） (2023-07-10T09:49:30Z) - A Perspective on Crowdsourcing and Human-in-the-Loop Workflows in Precision Health [1.0895307583148537]
この視点では、この新興分野における既存の研究について述べ、クラウドを利用した診断システムにおける現在進行中の課題と機会について論じる。
群衆労働者は、金銭的補償やゲーミフィケーション体験の見返りに、複雑な行動特徴に注釈を付けるために支払われる。
これらのラベルは、直接または診断機械学習モデルへの入力としてラベルを使用することによって、診断を導出するために使用することができる。
論文 参考訳（メタデータ） (2023-03-07T01:15:16Z) - Safe AI for health and beyond -- Monitoring to transform a health
service [51.8524501805308]
機械学習アルゴリズムの出力を監視するために必要なインフラストラクチャを評価する。
モデルのモニタリングと更新の例を示す2つのシナリオを提示します。
論文 参考訳（メタデータ） (2023-03-02T17:27:45Z) - AutoPrognosis 2.0: Democratizing Diagnostic and Prognostic Modeling in
Healthcare with Automated Machine Learning [72.2614468437919]
本稿では,診断・予後モデルを開発するための機械学習フレームワークAutoPrognosis 2.0を提案する。
我々は,英国バイオバンクを用いた糖尿病の予後リスクスコアを構築するための図解的アプリケーションを提供する。
我々のリスクスコアはWebベースの意思決定支援ツールとして実装されており、世界中の患者や臨床医がアクセスできる。
論文 参考訳（メタデータ） (2022-10-21T16:31:46Z) - 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)
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。