論文の概要: Mitigating health disparities in hospital readmissions

• arxiv url: http://arxiv.org/abs/2206.06279v1
• Date: Mon, 13 Jun 2022 16:07:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-14 18:33:19.227062
• Title: Mitigating health disparities in hospital readmissions
• Title（参考訳）: 病院療養における健康格差の緩和
• Authors: Shaina Raza
• Abstract要約: 本研究は、糖尿病患者が入院する必要性を予測するために、大規模な臨床データベースを使用した。 本稿では,バイアスの検出と緩和だけでなく,予測を行う機械学習パイプラインを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The management of hyperglycemia in hospitalized patients has a significant impact on both morbidity and mortality. This study used a large clinical database to predict the need for diabetic patients to be hospitalized, which could lead to improvements in patient safety. These predictions, however, may be vulnerable to health disparities caused by social determinants such as race, age, and gender. These biases must be removed early in the data collection process, before they enter the system and are reinforced by model predictions, resulting in biases in the model's decisions. In this paper, we propose a machine learning pipeline capable of making predictions as well as detecting and mitigating biases. This pipeline analyses clinical data, determines whether biases exist, removes them, and then make predictions. We demonstrate the classification accuracy and fairness in model predictions using experiments. The results show that when we mitigate biases early in a model, we get fairer predictions. We also find that as we get better fairness, we sacrifice a certain level of accuracy, which is also validated in the previous studies. We invite the research community to contribute to identifying additional factors that contribute to health disparities that can be addressed through this pipeline.
• Abstract（参考訳）: 入院患者の高血糖管理は死亡率と死亡率の両方に大きな影響を及ぼす。 本研究は,糖尿病患者を入院させる必要性を予測するために,大規模臨床データベースを用いた。 しかし、これらの予測は人種、年齢、性別などの社会的決定要因によって引き起こされる健康格差に弱い可能性がある。 これらのバイアスは、データ収集プロセスの初期にシステムに入る前に取り除かなければならず、モデル予測によって強化され、モデルの決定にバイアスが生じる。 本稿では,バイアスの検出と軽減に加えて,予測が可能な機械学習パイプラインを提案する。 このパイプラインは臨床データを分析し、バイアスの有無を決定し、それらを除去し、予測する。 実験によるモデル予測における分類精度と公平性を示す。 その結果、モデルの初期にバイアスを緩和すると、より公平な予測が得られます。 また、フェアネスが向上するにつれて、ある程度の精度が犠牲になり、以前の研究でも検証されていることもわかりました。 このパイプラインを通じて対処できる健康格差に寄与する追加の要因を特定するために、研究コミュニティを招待します。

関連論文リスト

• 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)
• When accurate prediction models yield harmful self-fulfilling prophecies [16.304160143287366]
  意思決定に予測モデルを使うことは有害な決定につながる可能性があることを示す。 我々の主な成果は、そのような予測モデルの集合を形式的に特徴づけることである。 これらの結果は、予測モデルの検証、デプロイ、評価のための標準プラクティスを改訂する必要があることを示している。
  論文  参考訳（メタデータ） (2023-12-02T19:39:50Z)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• Learning to Predict with Supporting Evidence: Applications to Clinical Risk Prediction [9.199022926064009]
  機械学習モデルがヘルスケアに与える影響は、医療専門家がこれらのモデルによって予測される信頼度に依存する。 予測が信頼されるべき理由に関するドメイン関連証拠を,臨床専門性のある人に提供するための方法を提示する。
  論文  参考訳（メタデータ） (2021-03-04T00:26:32Z)
• EventScore: An Automated Real-time Early Warning Score for Clinical Events [3.3039612529376625]
  臨床劣化を示す各種臨床事象の早期予測のための解釈可能なモデルを構築した。 このモデルは2つのデータセットと4つの臨床イベントで評価される。 私達のモデルは手動で記録された特徴を要求しないで完全に自動化することができます。
  論文  参考訳（メタデータ） (2021-02-11T11:55:08Z)
• Increasing the efficiency of randomized trial estimates via linear adjustment for a prognostic score [59.75318183140857]
  ランダム化実験による因果効果の推定は臨床研究の中心である。 歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
  論文  参考訳（メタデータ） (2020-12-17T21:10:10Z)
• 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)
• Impact of Medical Data Imprecision on Learning Results [9.379890125442333]
  医療応用におけるインプレクションが予測結果に与える影響について検討した。 トレーニング済みのモデルを用いて、患者の甲状腺機能亢進症の将来状態を予測する。
  論文  参考訳（メタデータ） (2020-07-24T06:54:57Z)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)
• Short Term Blood Glucose Prediction based on Continuous Glucose Monitoring Data [53.01543207478818]
  本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。 短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
  論文  参考訳（メタデータ） (2020-02-06T16:39:44Z)

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。