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/2208.12814v3
- Date: Sun, 29 Jan 2023 23:59:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-19 10:49:18.610679
- 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, Joe Maisog, Shashaank Vattikuti, Hongjing Xia
- Abstract要約: 我々は回帰係数の変動を表現するために本質的に解釈可能な多レベルベイズフレームワークを開発した。
我々は,この枠組みを用いて,医療クレームを用いた生存モデルを定式化し,入院と死亡を予測した。
2009-2011年の入院エピソードに基づいて、2008年と2011年の医療受給者の5%のサンプルを用いてモデルを訓練し、2012年のエピソードでモデルを検証した。
- 参考スコア（独自算出の注目度）: 2.198760145670348
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We developed an inherently interpretable multilevel Bayesian framework for
representing variation in regression coefficients that mimics the piecewise
linearity of ReLU-activated deep neural networks. We used the framework to
formulate a survival model for using medical claims to predict hospital
readmission and death that focuses on discharge placement, adjusting for
confounding in estimating causal local average treatment effects. We trained
the model on a 5% sample of Medicare beneficiaries from 2008 and 2011, based on
their 2009--2011 inpatient episodes, and then tested the model on 2012
episodes. The model scored an AUROC of approximately 0.76 on predicting
all-cause readmissions -- defined using official Centers for Medicare and
Medicaid Services (CMS) methodology -- or death within 30-days of discharge,
being competitive against XGBoost and a Bayesian deep neural network,
demonstrating that one need-not sacrifice interpretability for accuracy.
Crucially, as a regression model, we provide what blackboxes cannot -- the
exact gold-standard global interpretation of the model, identifying relative
risk factors and quantifying the effect of discharge placement. We also show
that the posthoc explainer SHAP fails to provide accurate explanations.
- Abstract（参考訳）: relu活性化ディープニューラルネットワークの分割線形性を模倣した回帰係数の変動を表現するために,本質的に解釈可能な多レベルベイズフレームワークを開発した。
本枠組みは, 医療クレームを用いた生存モデルを用いて, 退院場所に着目し, 因果的局所的平均治療効果を推定するためのコンバウンディングの調整を行う病院の退院と死亡を予測した。
2009-2011年の入院エピソードに基づいて、2008年と2011年の医療受給者の5%のサンプルを用いてモデルをトレーニングし、2012年のエピソードでテストした。
公式のCenters for Medicare and Medicaid Services(CMS)方法論を用いて定義されている、約0.76のAUROC、または30日間の退院期間内に死亡を予測し、XGBoostやベイジアンディープニューラルネットワークと競合し、正確性に対する解釈性を犠牲にしないことを示した。
重要なのは、回帰モデルとして、ブラックボックスができないもの -- モデルの正確な金標準のグローバル解釈、相対的なリスク要因の特定、退院の影響の定量化 -- を提供することです。
また,ポストホックの説明器SHAPでは正確な説明が得られなかった。
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。