論文の概要: Identifying the Leading Factors of Significant Weight Gains Using a New Rule Discovery Method

• arxiv url: http://arxiv.org/abs/2111.04475v1
• Date: Thu, 4 Nov 2021 19:10:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-09 15:03:39.240362
• Title: Identifying the Leading Factors of Significant Weight Gains Using a New Rule Discovery Method
• Title（参考訳）: 新しいルール発見法による有意な体重増加の誘導要因の同定
• Authors: Mina Samizadeh, Jessica C Jones-Smith, Bethany Sheridan, Rahmatollah Beheshti
• Abstract要約: 我々はこの問題を研究するためにルール発見法を用いる。 X 側からトップ機能をどのように抽出するかを示し、Y の最良の予測因子として機能する。
• 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: Overweight and obesity remain a major global public health concern and identifying the individualized patterns that increase the risk of future weight gains has a crucial role in preventing obesity and numerous sub-sequent diseases associated with obesity. In this work, we use a rule discovery method to study this problem, by presenting an approach that offers genuine interpretability and concurrently optimizes the accuracy(being correct often) and support (applying to many samples) of the identified patterns. Specifically, we extend an established subgroup-discovery method to generate the desired rules of type X -> Y and show how top features can be extracted from the X side, functioning as the best predictors of Y. In our obesity problem, X refers to the extracted features from very large and multi-site EHR data, and Y indicates significant weight gains. Using our method, we also extensively compare the differences and inequities in patterns across 22 strata determined by the individual's gender, age, race, insurance type, neighborhood type, and income level. Through extensive series of experiments, we show new and complementary findings regarding the predictors of future dangerous weight gains.
• Abstract（参考訳）: 肥満と肥満は依然として主要な公衆衛生上の関心事であり、将来の体重増加のリスクを増大させる個別のパターンを特定することは肥満と関連する多くのサブシークエンス病の予防に重要な役割を担っている。 そこで本研究では,本研究では,実際の解釈可能性を提供し,精度(頻繁な正確性)と識別パターンのサポート(多数のサンプルの適用)を同時に最適化する手法を提案する。 具体的には、x-> y の所望の規則を生成するために確立された部分群発見法を拡張し、y の最良の予測因子として機能する x 側からトップ特徴を抽出できることを示し、肥満問題において、x は、非常に大規模かつ多地点の ehr データから抽出された特徴を参照し、y は有意な重量増加を示す。 本手法を用いて, 性別, 年齢, 人種, 保険型, 近隣型, 所得水準によって決定される22階層間のパターンの違いと不等式を比較した。 広範囲にわたる実験を通じて,将来の危険重量増加の予測因子について,新たな補完的な知見が得られた。

関連論文リスト

• DeepHealthNet: Adolescent Obesity Prediction System Based on a Deep Learning Framework [27.82565790353953]
  小児および青年期の肥満率は、肥満が慢性疾患や長期の健康リスクと関連しているため、世界的な懸念である。 本研究は,肥満関連健康問題の早期発見と予防の重要性を強調した。 肥満率予測のための堅牢なアルゴリズムを開発するためには、身長、体重、腰回り、カロリー摂取量、身体活動量、その他の健康情報などの要因を考慮する必要がある。
  論文  参考訳（メタデータ） (2023-08-28T15:40:31Z)
• Body Fat Estimation from Surface Meshes using Graph Neural Networks [48.85291874087541]
  三角体表面メッシュを用いて,グラフニューラルネットワークを用いて,VATおよびASATボリュームを正確に予測できることを示す。 本手法は,この領域の最先端畳み込みニューラルネットワークと比較して,トレーニング時間と必要なリソースを削減しつつ高い性能を実現する。
  論文  参考訳（メタデータ） (2023-07-13T10:21:34Z)
• 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)
• Machine Learning and Bioinformatics for Diagnosis Analysis of Obesity Spectrum Disorders [0.0]
  肥満患者の数は、摂食生活と不適切な食事が原因で倍増している。 肥満の人は異なる慢性疾患に苦しむため、平均寿命は80歳から75歳に低下した。 本報告では,肥満の原因を特徴付け,予測し,分析するためにMLデータセットを用いた小児・成人の肥満問題に対処する。
  論文  参考訳（メタデータ） (2022-08-05T13:07:27Z)
• Who will Leave a Pediatric Weight Management Program and When? -- A machine learning approach for predicting attrition patterns [1.0705399532413615]
  小児科における重度管理プログラムは,肥満と重度肥満の小児の標準治療であると考えられる。 高い落差率(トリクションと呼ばれる)は、介入を成功させる上で大きなハードルとなる。 a) 体重管理プログラムに参加した後, 子どもの身体質量指数(BMI)のパーセンタイルの変化を予測するための機械学習モデルを提案する。
  論文  参考訳（メタデータ） (2022-02-03T18:41:36Z)
• Evaluating the performance of personal, social, health-related, biomarker and genetic data for predicting an individuals future health using machine learning: A longitudinal analysis [0.0]
  この研究の目的は、個人、社会、健康関連、バイオマーカーおよび遺伝データの相対的貢献を個人における将来の健康の予測因子として識別するために機械学習アプローチを適用することである。 ニューラルネットワークによるディープラーニングとXGBoostという,予測モデル構築に2つの機械学習アプローチが使用された。 その結果、健康関連の指標が将来の健康状態を最も予測し、遺伝データが劣っていることがわかった。
  論文  参考訳（メタデータ） (2021-04-26T12:31:40Z)
• Deconfounded Score Method: Scoring DAGs with Dense Unobserved Confounding [101.35070661471124]
  本研究では,観測データ分布に特徴的フットプリントが残っており,突発的・因果的影響を解消できることを示す。 汎用ソルバで実装し,高次元問題へのスケールアップが可能なスコアベース因果検出アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-28T11:07:59Z)
• 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)
• Robustness to Spurious Correlations via Human Annotations [100.63051542531171]
  本稿では,人間に共通する因果関係の知識を活用して,素因関係に頑健なモデルを構築するための枠組みを提案する。 具体的には、人間のアノテーションを使用して、潜在的な未測定変数でトレーニング例を拡大する。 次に,未測定変数(UV-DRO)に対する分布性に頑健な新たな最適化手法を導入し,テスト時間シフトによる最悪の損失を制御する。
  論文  参考訳（メタデータ） (2020-07-13T20:05:19Z)
• 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)
• Health Indicator Forecasting for Improving Remaining Useful Life Estimation [12.250035750661866]
  本稿では,健康指標予測のための新しい生成・シナリオマッチングアルゴリズムを提案する。 実験結果は,他の最先端手法よりもアルゴリズムの方が優れていることを示す。
  論文  参考訳（メタデータ） (2020-06-05T23:02:10Z)

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。