論文の概要: AutoScore-Ordinal: An interpretable machine learning framework for generating scoring models for ordinal outcomes

• arxiv url: http://arxiv.org/abs/2202.08407v1
• Date: Thu, 17 Feb 2022 02:16:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-19 04:19:57.978784
• Title: AutoScore-Ordinal: An interpretable machine learning framework for generating scoring models for ordinal outcomes
• Title（参考訳）: AutoScore-Ordinal: 順序付け結果のスコアリングモデルを生成するための解釈可能な機械学習フレームワーク
• Authors: Seyed Ehsan Saffari, Yilin Ning, Xie Feng, Bibhas Chakraborty, Victor Volovici, Roger Vaughan, Marcus Eng Hock Ong, Nan Liu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.3673317568384076
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Background: Risk prediction models are useful tools in clinical decision-making which help with risk stratification and resource allocations and may lead to a better health care for patients. AutoScore is a machine learning-based automatic clinical score generator for binary outcomes. This study aims to expand the AutoScore framework to provide a tool for interpretable risk prediction for ordinal outcomes. Methods: The AutoScore-Ordinal framework is generated using the same 6 modules of the original AutoScore algorithm including variable ranking, variable transformation, score derivation (from proportional odds models), model selection, score fine-tuning, and model evaluation. To illustrate the AutoScore-Ordinal performance, the method was conducted on electronic health records data from the emergency department at Singapore General Hospital over 2008 to 2017. The model was trained on 70% of the data, validated on 10% and tested on the remaining 20%. Results: This study included 445,989 inpatient cases, where the distribution of the ordinal outcome was 80.7% alive without 30-day readmission, 12.5% alive with 30-day readmission, and 6.8% died inpatient or by day 30 post discharge. Two point-based risk prediction models were developed using two sets of 8 predictor variables identified by the flexible variable selection procedure. The two models indicated reasonably good performance measured by mean area under the receiver operating characteristic curve (0.785 and 0.793) and generalized c-index (0.737 and 0.760), which were comparable to alternative models. Conclusion: AutoScore-Ordinal provides an automated and easy-to-use framework for development and validation of risk prediction models for ordinal outcomes, which can systematically identify potential predictors from high-dimensional data.
• Abstract（参考訳）: 背景:リスク予測モデルは、リスク階層化とリソース割り当てに役立つ臨床意思決定の有用なツールであり、患者の健康管理に繋がる可能性がある。 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。 本研究では,autoscoreフレームワークを拡張して,順序的結果に対するリスク予測を解釈可能にすることを目的とした。 メソッド: AutoScore-Ordinalフレームワークは、変数ランキング、変数変換、スコア導出(比例奇数モデルからの)、モデル選択、スコア微調整、モデル評価を含む、オリジナルのAutoScoreアルゴリズムの6つのモジュールを使用して生成される。 2008年から2017年にかけてシンガポール総合病院の救急部門から電子カルテデータを用いてオートスコア・オルディナルのパフォーマンスを解析した。 モデルはデータの70%でトレーニングされ、10%で検証され、残りの20%でテストされた。 結果: 本研究は, 患者445,989例を対象とし, 平均結果の分布が80.7%, 30日可読率12.5%, 30日可読率12.5%, 退院後6.8%であった。 フレキシブル変数選択手順によって同定された8変数の2セットを用いて,2つのポイントベースリスク予測モデルを開発した。 2つのモデルは、レシーバーの動作特性曲線 (0.785 と 0.793) の下の平均領域で測定された適度な性能を示し、代替モデルに匹敵する一般化された c-index (0.737 と 0.760) を示した。 結論: autoscore-ordinalは、リスク予測モデルの開発と検証のための自動化および使いやすいフレームワークを提供し、高次元データから潜在的な予測者を体系的に識別する。

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)
• Early prediction of onset of sepsis in Clinical Setting [0.8471078314535754]
  教師付き学習手法が採用され、列車データセットの80%をXGBoostモデルでトレーニングした。 モデルは、トレーニング期間中に全く見えなかった予測データに基づいて検証された。 このモデルでは、試験データでは0.494点、予測データでは0.378点の正常化ユーティリティスコアが得られた。
  論文  参考訳（メタデータ） (2024-02-05T19:58:40Z)
• DDxT: Deep Generative Transformer Models for Differential Diagnosis [51.25660111437394]
  より単純な教師付き学習信号と自己教師付き学習信号で訓練した生成的アプローチが,現在のベンチマークにおいて優れた結果が得られることを示す。 The proposed Transformer-based generative network, named DDxT, autoregressive produce a set of possible pathology,, i. DDx, and predicts the real pathology using a neural network。
  論文  参考訳（メタデータ） (2023-12-02T22:57:25Z)
• Towards Better Certified Segmentation via Diffusion Models [62.21617614504225]
  セグメンテーションモデルは敵の摂動に弱いため、医療や自動運転といった重要な意思決定システムでの使用を妨げます。 近年,理論的保証を得るためにガウス雑音を入力に加えることにより,セグメント化予測のランダム化が提案されている。 本稿では,ランダムな平滑化と拡散モデルを組み合わせたセグメンテーション予測の問題に対処する。
  論文  参考訳（メタデータ） (2023-06-16T16:30:39Z)
• 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)
• MAPPING: Model Average with Post-processing for Stroke Lesion Segmentation [57.336056469276585]
  我々は nnU-Net フレームワークに基づく脳卒中病変のセグメンテーションモデルを提案し, ストローク後の解剖学的トレースに応用する。 本手法は,2022年のMICCAI ATLAS Challengeにおいて,平均Diceスコアが0.6667,Lesion-wise F1スコアが0.5643,Simple Lesion Countスコアが4.5367,Volume differenceスコアが8804.9102であった。
  論文  参考訳（メタデータ） (2022-11-11T14:17:04Z)
• Application of the nnU-Net for automatic segmentation of lung lesion on CT images, and implication on radiomic models [1.8231394717039833]
  非小細胞肺癌患者のCT画像にディープラーニング自動分画法を適用した。 生存放射線モデルの性能評価において,手動と自動セグメンテーションの併用も検討した。
  論文  参考訳（メタデータ） (2022-09-24T15:04:23Z)
• AutoScore-Imbalance: An interpretable machine learning tool for development of clinical scores with rare events data [4.489401352256435]
  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。
  論文  参考訳（メタデータ） (2021-07-13T12:49:32Z)
• 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)
• 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)

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。