論文の概要: Interpretable (not just posthoc-explainable) medical claims modeling for
discharge placement to prevent avoidable all-cause readmissions or death
- arxiv url: http://arxiv.org/abs/2208.12814v1
- Date: Sun, 28 Aug 2022 06:19:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-30 13:19:51.348115
- Title: Interpretable (not just posthoc-explainable) medical claims modeling for
discharge placement to prevent avoidable all-cause readmissions or death
- Title（参考訳）: 説明可能な(単にポストホックな説明がつかない)医療クレームモデルによる退院拒否または死を避けるために
- Authors: Joshua C. Chang, Ted L. Chang, Carson C. Chow, Rohit Mahajan, Sonya
Mahajan, Shashaank Vattikuti, Hongjing Xia
- Abstract要約: 我々は,ReLU活性化深層ニューラルネットワークの分数次線形性に着想を得た,本質的に解釈可能な多レベルベイズモデリングフレームワークを開発する。
私たちは2008年と2011年の医療受給者の5%のサンプルでモデルをトレーニングし、2012年の請求書でモデルをテストしました。
- 参考スコア（独自算出の注目度）: 2.309018557701645
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This manuscript addresses the simultaneous problems of predicting all-cause
inpatient readmission or death after discharge, and quantifying the impact of
discharge placement in preventing these adverse events. To this end, we
developed an inherently interpretable multilevel Bayesian modeling framework
inspired by the piecewise linearity of ReLU-activated deep neural networks. In
a survival model, we explicitly adjust for confounding in quantifying local
average treatment effects for discharge placement interventions. We trained the
model on a 5% sample of Medicare beneficiaries from 2008 and 2011, and then
tested the model on 2012 claims. Evaluated on classification accuracy for
30-day all-cause unplanned readmissions (defined using official CMS
methodology) or death, the model performed similarly against XGBoost, logistic
regression (after feature engineering), and a Bayesian deep neural network
trained on the same data. Tested on the 30-day classification task of
predicting readmissions or death using left-out future data, the model achieved
an AUROC of approximately 0.76 and and AUPRC of approximately 0.50 (relative to
an overall positively rate in the testing data of 18%), demonstrating how one
need not sacrifice interpretability for accuracy. Additionally, the model had a
testing AUROC of 0.78 on the classification of 90-day all-cause unplanned
readmission or death. We easily peer into our inherently interpretable model,
summarizing its main findings. Additionally, we demonstrate how the black-box
posthoc explainer tool SHAP generates explanations that are not supported by
the fitted model -- and if taken at face value does not offer enough context to
make a model actionable.
- Abstract（参考訳）: 本論文は、退院後の全院入院または死亡の同時予測の問題に対処し、これらの有害事象を防止するための退院場所の影響を定量化する。
そこで我々は,ReLU活性化深層ニューラルネットワークの断片線形性に着想を得た,本質的に解釈可能な多レベルベイズモデリングフレームワークを開発した。
生存モデルでは, 退院介入に対する局所的平均治療効果を定量化するために, コンファウンディングを明示的に調整する。
2008年と2011年のメディケア受益者の5%のサンプルでモデルをトレーニングし、2012年の請求書でモデルをテストした。
XGBoostやロジスティック回帰(特徴工学以降)、同一データに基づいてトレーニングされたベイズディープニューラルネットワークに対して、30日間の非計画的読み出し(公式のCMS方法論で定義されている)または死に対する分類精度の評価を行った。
30日間にわたる可読性や死亡率の予測タスクでテストされたこのモデルは、約0.76のAUROCと約0.50のAUPRC(テストデータ全体の肯定的な割合18%)を達成し、正確性に対する解釈性を犠牲にする必要がないことを示した。
さらに、このモデルでは90日間の完全寛容または死亡の分類で0.78のAUROCが試験された。
我々は、本質的な解釈可能なモデルを簡単に考察し、その主な発見を要約する。
さらに、ブラックボックスのポストホックな説明ツールであるshapが、適合したモデルではサポートされていない説明を生成する方法を示す。
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) - Neural parameter calibration and uncertainty quantification for epidemic
forecasting [0.0]
感染パラメータの確率密度を学習する問題に対して,新しい強力な計算手法を適用した。
ニューラルネットワークを用いて、2020年にベルリンで発生した新型コロナウイルスの感染拡大に関するデータにODEモデルを調整します。
本手法は,感染の簡易SIRモデルにおいて,本手法の真の後部への収束を示すとともに,縮小データセット上での学習能力を実証する。
論文 参考訳（メタデータ） (2023-12-05T21:34:59Z) - Coronavirus disease situation analysis and prediction using machine
learning: a study on Bangladeshi population [1.7188280334580195]
バングラデシュでは近年、死亡率と感染率の差が以前よりも大きくなっている。
本研究では、機械学習モデルを識別し、今後数日の感染と死亡率を予測する予測システムを作成する。
論文 参考訳（メタデータ） (2022-07-12T09:48:41Z) - Approximate Bayesian Computation for an Explicit-Duration Hidden Markov
Model of COVID-19 Hospital Trajectories [55.786207368853084]
新型コロナウイルス(COVID-19)のパンデミックの中、病院の資源をモデル化する問題に取り組んでいます。
幅広い適用性のために、関心のある領域の患者レベルデータが利用できない、一般的なが困難なシナリオに注目します。
本稿では,ACED-HMM(ACED-HMM)と呼ばれる集合数正規化隠れマルコフモデルを提案する。
論文 参考訳（メタデータ） (2021-04-28T15:32:42Z) - Comparative Analysis of Machine Learning Approaches to Analyze and
Predict the Covid-19 Outbreak [10.307715136465056]
疫学領域における新型コロナウイルスの流行を予測するための機械学習(ML)アプローチの比較分析を行った。
これらの結果から,短期的政策の意思決定を支援するMLアルゴリズムの利点が明らかになった。
論文 参考訳（メタデータ） (2021-02-11T11:57:33Z) - 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) - Statistical inference of the inter-sample Dice distribution for
discriminative CNN brain lesion segmentation models [0.0]
識別畳み込みニューラルネットワーク(CNN)は多くの脳病変セグメンテーションタスクでよく機能している。
識別的CNNのセグメンテーションサンプリングは、訓練されたモデルの堅牢性を評価するために使用される。
厳格な信頼に基づく決定ルールが提案され、特定の患者に対してCNNモデルを拒絶するか受け入れるかが決定される。
論文 参考訳（メタデータ） (2020-12-04T18:18:24Z) - 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) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳（メタデータ） (2020-06-26T13:50:19Z) - A self-supervised neural-analytic method to predict the evolution of
COVID-19 in Romania [10.760851506126105]
我々は、感染症の古典的な確立されたモデルであるSEIRの改良版を使用している。
本稿では,修正SEIRモデルパラメータの正しいセットを推定するために,深層畳み込みネットワークを訓練するための自己教師型アプローチを提案する。
ルーマニアの死亡率が約0.3%である場合、楽観的な結果が得られ、我々のモデルが今後最大3週間の日々の死亡数を正確に予測できることを示した。
論文 参考訳（メタデータ） (2020-06-23T12:00:04Z) - 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)
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。