論文の概要: Individual health-disease phase diagrams for disease prevention based on
machine learning
- arxiv url: http://arxiv.org/abs/2205.15598v1
- Date: Tue, 31 May 2022 08:25:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-01 12:53:44.708396
- Title: Individual health-disease phase diagrams for disease prevention based on
machine learning
- Title(参考訳): 機械学習に基づく疾患予防のための個別健康・退院相図
- Authors: Kazuki Nakamura, Eiichiro Uchino, Noriaki Sato, Ayano Araki, Kei
Terayama, Ryosuke Kojima, Koichi Murashita, Ken Itoh, Tatsuya Mikami,
Yoshinori Tamada and Yasushi Okuno
- Abstract要約: 複数のバイオマーカーの境界値を可視化することにより、個人の健康状態を表すHDPD(Health-disease phase diagram)を提示する。
以上の結果から,HDPDは発症過程における個々の生理的状態を表わし,疾患予防の介入目標として利用できることが示唆された。
- 参考スコア(独自算出の注目度): 1.0617212070722408
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Early disease detection and prevention methods based on effective
interventions are gaining attention. Machine learning technology has enabled
precise disease prediction by capturing individual differences in multivariate
data. Progress in precision medicine has revealed that substantial
heterogeneity exists in health data at the individual level and that complex
health factors are involved in the development of chronic diseases. However, it
remains a challenge to identify individual physiological state changes in
cross-disease onset processes because of the complex relationships among
multiple biomarkers. Here, we present the health-disease phase diagram (HDPD),
which represents a personal health state by visualizing the boundary values of
multiple biomarkers that fluctuate early in the disease progression process. In
HDPDs, future onset predictions are represented by perturbing multiple
biomarker values while accounting for dependencies among variables. We
constructed HDPDs for 11 non-communicable diseases (NCDs) from a longitudinal
health checkup cohort of 3,238 individuals, comprising 3,215 measurement items
and genetic data. Improvement of biomarker values to the non-onset region in
HDPD significantly prevented future disease onset in 7 out of 11 NCDs. Our
results demonstrate that HDPDs can represent individual physiological states in
the onset process and be used as intervention goals for disease prevention.
- Abstract(参考訳): 効果的な介入に基づく早期疾患の検出と予防方法が注目されている。
機械学習技術は、多変量データの個人差を捉えることによって、正確な疾患予測を可能にした。
精密医療の進歩は、個々のレベルでの健康データにかなりの不均一性が存在し、慢性疾患の発生に複雑な健康要因が関与していることを明らかにしている。
しかし, 複数のバイオマーカー間の複雑な関係から, クロスダイザス発症過程における個々の生理的変化を同定することが課題である。
本稿では,疾患進行過程の初期に変動する複数のバイオマーカーの境界値を可視化することにより,個人の健康状態を表す健康診断位相図(hdpd)を提案する。
HDPDでは、将来の発症予測は変数間の依存関係を考慮しながら複数のバイオマーカー値の摂動によって表現される。
我々は3,238人の縦断健康診査コホートから,11の非感染性疾患(NCD)のHDPDを構築した。
HDPDの非発症領域に対するバイオマーカー値の改善は11NCD中7NCDの発症を著しく妨げた。
以上の結果から,HDPDは発症過程における個々の生理的状態を表わし,疾患予防の介入目標として使用できることが示された。
関連論文リスト
- Predicting Parkinson's disease evolution using deep learning [1.4610685586329806]
パーキンソン病は、世界の人口の1%近くで起こる神経疾患である。
パーキンソン病の診断に利用できる血液検査やバイオマーカーは1つもない。
進行の段階を特定するために設計されたAIツールは存在しない。
論文 参考訳(メタデータ) (2023-12-28T10:30:54Z) - Automated Huntington's Disease Prognosis via Biomedical Signals and
Shallow Machine Learning [0.0]
心電図, 心電図, 機能的近赤外分光データを用いて, 患者27名, コントロール36名, 不明6名のクリニックで収集した既製認定データセットを用いて検討した。
最大精度はスケールアウトしたExtremely Randomized Treesアルゴリズムにより達成され、受信者特性0.963の曲線下と91.353%の精度で達成された。
論文 参考訳(メタデータ) (2023-02-04T02:20:46Z) - Label scarcity in biomedicine: Data-rich latent factor discovery
enhances phenotype prediction [102.23901690661916]
低次元の埋め込み空間は、健康指標、ライフスタイル、および人口動態の予測をデータスカース化するために、英国バイオバンクの人口データセットから導出することができる。
半超越的アプローチによるパフォーマンス向上は、おそらく様々な医学データサイエンス応用にとって重要な要素となるだろう。
論文 参考訳(メタデータ) (2021-10-12T16:25:50Z) - Causal Hidden Markov Model for Time Series Disease Forecasting [21.10268531186633]
早期に非可逆性疾患のロバストな予測を実現するために,因果的隠れマルコフモデルを提案する。
本モデルは,乳頭萎縮の早期予測に応用し,アウトオブディストリビューションテストデータで有望な結果を得た。
論文 参考訳(メタデータ) (2021-03-30T14:34:15Z) - Variational Knowledge Distillation for Disease Classification in Chest
X-Rays [102.04931207504173]
我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。
提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
論文 参考訳(メタデータ) (2021-03-19T14:13:56Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳(メタデータ) (2021-01-27T19:28:04Z) - Relation-weighted Link Prediction for Disease Gene Identification [0.3078691410268859]
このようなグラフ上の疾患遺伝子を識別する新しい機械学習手法を提案する。
我々のアルゴリズムは、病気遺伝子同定における最先端の競争相手を24.1%上回っている。
また, パーキンソン病の臨床治験における薬物標的の予測に関して, 標的同定の主導的取り組みである Open Targets よりも高い精度を達成できることが示唆された。
論文 参考訳(メタデータ) (2020-11-10T15:09:33Z) - Personalized pathology test for Cardio-vascular disease: Approximate
Bayesian computation with discriminative summary statistics learning [48.7576911714538]
近似計算を用いて生物学的に有意なパラメータを推定するための血小板沈着モデルと推論手法を提案する。
この研究は、CVDの検出と治療のためのパーソナライズされた病理検査の先例のない機会を開く。
論文 参考訳(メタデータ) (2020-10-13T15:20:21Z) - Trajectories, bifurcations and pseudotime in large clinical datasets:
applications to myocardial infarction and diabetes data [94.37521840642141]
混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。
この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
論文 参考訳(メタデータ) (2020-07-07T21:04:55Z) - Learning Dynamic and Personalized Comorbidity Networks from Event Data
using Deep Diffusion Processes [102.02672176520382]
コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。
電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。
我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
論文 参考訳(メタデータ) (2020-01-08T15:47:08Z)
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。