Fugu-MT 論文翻訳(概要): Who will Leave a Pediatric Weight Management Program and When? -- A machine learning approach for predicting attrition patterns

論文の概要: Who will Leave a Pediatric Weight Management Program and When? -- A machine learning approach for predicting attrition patterns

arxiv url: http://arxiv.org/abs/2202.01765v1
Date: Thu, 3 Feb 2022 18:41:36 GMT
ステータス: 処理完了
システム内更新日: 2022-02-04 14:52:08.727893
Title: Who will Leave a Pediatric Weight Management Program and When? -- A machine learning approach for predicting attrition patterns
Title（参考訳）: 小児科の体重管理プログラムはいつから残るのか? --引き込みパターンの予測のための機械学習アプローチ
Authors: Hamed Fayyaz, Thao-Ly T. Phan, H. Timothy Bunnell, Rahmatollah Beheshti
Abstract要約: 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。
参考スコア（独自算出の注目度）: 1.0705399532413615
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Childhood obesity is a major public health concern. Multidisciplinary pediatric weight management programs are considered standard treatment for children with obesity and severe obesity who are not able to be successfully managed in the primary care setting; however, high drop-out rates (referred to as attrition) are a major hurdle in delivering successful interventions. Predicting attrition patterns can help providers reduce the attrition rates. Previous work has mainly focused on finding static predictors of attrition using statistical analysis methods. In this study, we present a machine learning model to predict (a) the likelihood of attrition, and (b) the change in body-mass index (BMI) percentile of children, at different time points after joining a weight management program. We use a five-year dataset containing the information related to around 4,550 children that we have compiled using data from the Nemours Pediatric Weight Management program. Our models show strong prediction performance as determined by high AUROC scores across different tasks (average AUROC of 0.75 for predicting attrition, and 0.73 for predicting weight outcomes). Additionally, we report the top features predicting attrition and weight outcomes in a series of explanatory experiments.
Abstract（参考訳）: 小児肥満は公衆衛生の重要な問題である。多学際的な小児の体重管理プログラムは、プライマリケア環境ではうまく管理できない肥満と重度の肥満の子供に対する標準的な治療と考えられているが、高い脱落率(脱落率)は、治療を成功させる上で大きなハードルとなっている。トリオンパターンの予測は、プロバイダによるトリオン率の削減に役立つ。従来の研究は主に統計的分析手法による誘惑の静的予測器の発見に重点を置いてきた。本研究では,予測のための機械学習モデルを提案する。 a)誘惑の可能性、及び (b)体重管理プログラムに参加した後、異なる時点における子どもの体重指数(bmi)のパーセンタイルの変化。小児の体重管理プログラムnemoursのデータを用いて集計した約4,550人の子どもに関する情報を含む5年間のデータセットを用いた。本モデルでは,各タスクにおけるAUROCスコアの高い値(平均AUROC0.75,重み付け予測0.73)により,高い予測性能を示す。さらに, 一連の説明実験において, 減量と重み付けを予測できる最上位特徴について報告する。

関連論文リスト

Personalized Weight Loss Management through Wearable Devices and Artificial Intelligence [13.449791191128734]
慢性・非免疫性疾患 (NCD) の早期発見は, 初期治療に不可欠である。本研究では,過体重および肥満者の体重減少変化を予測するために,ウェアラブルデバイスと人工知能(AI)の適用について検討する。
論文参考訳（メタデータ） (2024-09-13T10:39:36Z)
Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文参考訳（メタデータ） (2024-04-26T16:39:50Z)
Classification Methods Based on Machine Learning for the Analysis of Fetal Health Data [1.3597551064547502]
胎児健康分析のための各種機械学習モデルの分類性能について検討した。胎児の健康データセット上のTabNetモデルは、94.36%の分類精度を提供する。
論文参考訳（メタデータ） (2023-11-18T04:01:46Z)
Development and validation of an interpretable machine learning-based calculator for predicting 5-year weight trajectories after bariatric surgery: a multinational retrospective cohort SOPHIA study [0.19676506937647395]
手術後5年間の減量軌跡の術前予測に機械学習を用いたモデルを構築した。モデルは、手術前に臨床上の決定を知らせるために、使い易く解釈可能なWebベースの予測ツールに組み込まれる。
論文参考訳（メタデータ） (2023-08-31T09:30:06Z)
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)
Predicting Adverse Neonatal Outcomes for Preterm Neonates with Multi-Task Learning [51.487856868285995]
われわれはまず, 3つの不良新生児結果の相関関係を解析し, マルチタスク学習(MTL)問題として複数の新生児結果の診断を定式化する。特に、MTLフレームワークは、共有された隠れレイヤと複数のタスク固有のブランチを含んでいる。
論文参考訳（メタデータ） (2023-03-28T00:44:06Z)
A Machine Learning Model for Predicting, Diagnosing, and Mitigating Health Disparities in Hospital Readmission [0.0]
本稿では,データ中のバイアスの検出と緩和とモデル予測が可能な機械学習パイプラインを提案する。提案手法の有効性を,精度と公正度の測定値を用いて評価した。
論文参考訳（メタデータ） (2022-06-13T16:07:25Z)
On the Robustness of Pretraining and Self-Supervision for a Deep Learning-based Analysis of Diabetic Retinopathy [70.71457102672545]
糖尿病網膜症における訓練方法の違いによる影響を比較検討した。本稿では,定量的性能,学習した特徴表現の統計,解釈可能性,画像歪みに対する頑健性など,さまざまな側面について検討する。以上の結果から,ImageNet事前学習モデルでは,画像歪みに対する性能,一般化,堅牢性が著しく向上していることが示唆された。
論文参考訳（メタデータ） (2021-06-25T08:32:45Z)
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)

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。