論文の概要: Mutual Information Assisted Ensemble Recommender System for Identifying Critical Risk Factors in Healthcare Prognosis
- arxiv url: http://arxiv.org/abs/2209.13836v3
- Date: Mon, 1 Jul 2024 05:06:56 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-02 18:41:09.829318
- Title: Mutual Information Assisted Ensemble Recommender System for Identifying Critical Risk Factors in Healthcare Prognosis
- Title（参考訳）: 医療予後の危険因子同定のための相互情報支援型アンサンブルレコメンダーシステム
- Authors: Abhishek Dey, Debayan Goswami, Rahul Roy, Susmita Ghosh, Yu Shrike Zhang, Jonathan H. Chan,
- Abstract要約: 本研究は, 疾患管理システムの一部として, 疾患の最も重要な危険因子を特定し, 推奨する特徴推薦器を提案する。
多様な疾患の4つのベンチマークデータセットで実験が行われた。
提案するリコメンデーターは、疾患を最も識別する能力を有する危険因子を同定し、推薦することができる。
- 参考スコア（独自算出の注目度）: 0.10262304700896199
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Purpose: Health recommenders act as important decision support systems, aiding patients and medical professionals in taking actions that lead to patients' well-being. These systems extract the information which may be of particular relevance to the end-user, helping them in making appropriate decisions. The present study proposes a feature recommender, as a part of a disease management system, that identifies and recommends the most important risk factors for an illness. Methods: A novel mutual information and ensemble-based feature ranking approach for identifying critical risk factors in healthcare prognosis is proposed. Results: To establish the effectiveness of the proposed method, experiments have been conducted on four benchmark datasets of diverse diseases (clear cell renal cell carcinoma (ccRCC), chronic kidney disease, Indian liver patient, and cervical cancer risk factors). The performance of the proposed recommender is compared with four state-of-the-art methods using recommender systems' performance metrics like average precision@K, precision@K, recall@K, F1@K, reciprocal rank@K. The method is able to recommend all relevant critical risk factors for ccRCC. It also attains a higher accuracy (96.6% and 98.6% using support vector machine and neural network, respectively) for ccRCC staging with a reduced feature set as compared to existing methods. Moreover, the top two features recommended using the proposed method with ccRCC, viz. size of tumor and metastasis status, are medically validated from the existing TNM system. Results are also found to be superior for the other three datasets. Conclusion: The proposed recommender can identify and recommend risk factors that have the most discriminating power for detecting diseases.
- Abstract（参考訳）: 目的: 健康勧告者は、患者と医療専門家が患者の健康に寄与する行動を取る際に、重要な意思決定支援システムとして機能する。
これらのシステムは、エンドユーザーに特に関連がある可能性のある情報を抽出し、適切な判断を下す手助けをする。
本研究は, 疾患管理システムの一部として, 疾患の最も重要な危険因子を特定し, 推奨する特徴推薦器を提案する。
方法: 医療予後における危険因子を特定するための新しい相互情報とアンサンブルに基づく特徴ランク付け手法を提案する。
結果: 本手法の有効性を確立するため, 各種疾患(cRCC, 慢性腎疾患, インド肝患者, 頸部癌危険因子)のベンチマークデータを用いて実験を行った。
提案手法の性能を,平均精度@K,精度@K,リコール@K,F1@K,相互ランク@Kなどのレコメンデータシステムのパフォーマンス指標を用いた4つの最先端手法と比較した。
この方法は、ccRCCに関係するすべての重要な危険因子を推奨することができる。
また、既存の手法と比較して、ccRCCステージリングの精度(サポートベクターマシンとニューラルネットワークを使用して96.6%、98.6%)も向上している。
さらに, 既存のTNMシステムから, ccRCC法, viz. 腫瘍径, 転移状況の2つの特徴を医学的に検証した。
結果は、他の3つのデータセットよりも優れていることも判明した。
結論: 提案された推奨者は, 疾患を最も識別する能力を有する危険因子を同定し, 推薦することができる。
関連論文リスト
- Revisiting Reciprocal Recommender Systems: Metrics, Formulation, and Method [60.364834418531366]
RRSの性能を包括的かつ正確に評価する5つの新しい評価指標を提案する。
因果的観点からRSを定式化し、二元的介入として勧告を定式化する。
提案手法では,結果の一致を最大化する手法を提案する。
論文 参考訳（メタデータ） (2024-08-19T07:21:02Z) - Risk Factor Identification In Osteoporosis Using Unsupervised Machine Learning Techniques [0.0]
電子カルテに新たなクラスタリング法を適用し,骨粗しょう症に関連するリスク因子の信頼性について検討した。
本研究は,クラスタリング,特徴選択,主機能識別という3つのコンポーネントのいずれかに適応可能な反復的クラスタリングフレームワークを含む,新たなClustering Iterations Framework(CLIF)の利用を提案する。
論文 参考訳（メタデータ） (2024-05-24T18:53:28Z) - Recommender Algorithm for Supporting Self-Management of CVD Risk Factors in an Adult Population at Home [0.0]
本稿では,心血管疾患(CVD)の予防効果の改善に焦点をあてる。
成人におけるCVDリスクファクターの自己管理を支援するための知識に基づく推薦アルゴリズムが提案された。
論文 参考訳（メタデータ） (2024-05-20T11:47:19Z) - Leave No Patient Behind: Enhancing Medication Recommendation for Rare Disease Patients [47.68396964741116]
本稿では,レアな疾患の正確性を高めるために,ロバストとメディケーションのための高精度勧告(RAREMed)と呼ばれる新しいモデルを提案する。
入力シーケンスを統一したトランスフォーマーエンコーダを使用して、疾患と手続きコードの間の複雑な関係をキャプチャする。
稀な疾患と一般的な疾患の両方に対して正確な薬物セットを提供し、薬の推奨システムにおける不公平を緩和する。
論文 参考訳（メタデータ） (2024-03-26T14:36:22Z) - An explainable model to support the decision about the therapy protocol
for AML [1.290382979353427]
本稿では、最も適切な治療プロトコルの決定を支援するために、データ分析と説明可能な機械学習モデルを提案する。
以上の結果から,専門家の判断を安全に支援できる可能性が示唆された。
論文 参考訳（メタデータ） (2023-07-05T20:04:13Z) - Informing clinical assessment by contextualizing post-hoc explanations
of risk prediction models in type-2 diabetes [50.8044927215346]
本研究は, 合併症リスク予測のシナリオを考察し, 患者の臨床状態に関する文脈に焦点を当てる。
我々は、リスク予測モデル推論に関する文脈を提示し、その受容性を評価するために、最先端のLLMをいくつか採用する。
本論文は,実世界における臨床症例における文脈説明の有効性と有用性を明らかにする最初のエンドツーエンド分析の1つである。
論文 参考訳（メタデータ） (2023-02-11T18:07:11Z) - Clinical Outcome Prediction from Admission Notes using Self-Supervised
Knowledge Integration [55.88616573143478]
臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。
退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。
複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
論文 参考訳（メタデータ） (2021-02-08T10:26:44Z) - Covid-19 risk factors: Statistical learning from German healthcare
claims data [0.0]
我々は、AOK Bayernの請求データを用いた振り返りコホート研究に基づいて、Covid-19の重度、重度、致命的なコースに対する事前のリスク要因を分析した。
方法として,候補因子の事前グループ化と事前選択を回避し,医療分類システムからの詳細な階層情報を利用する。
論文 参考訳（メタデータ） (2021-02-04T15:48:21Z) - COVI-AgentSim: an Agent-based Model for Evaluating Methods of Digital
Contact Tracing [68.68882022019272]
COVI-AgentSimは、ウイルス学、病気の進行、社会的接触ネットワーク、移動パターンに基づくエージェントベースのコンパートメンタルシミュレータである。
1)バイナリテスト結果に基づいてバイナリレコメンデーションを割り当てる標準バイナリコンタクトトレース (BCT) と,2) 多様な特徴に基づいてグレードレベルのレコメンデーションを割り当てる特徴ベースコンタクトトレース (FCT) のルールベースの手法である。
論文 参考訳（メタデータ） (2020-10-30T00:47:01Z) - A standardized framework for risk-based assessment of treatment effect
heterogeneity in observational healthcare databases [60.07352590494571]
本研究の目的は,この手法を標準化されたスケーラブルなフレームワークを用いて観測環境に拡張することであった。
アンジオテンシン変換酵素阻害薬(ACE)とβ阻害薬の3つの効果と6つの安全性に対する効果を評価することにより,我々の枠組みを実証する。
論文 参考訳（メタデータ） (2020-10-13T14:48:31Z)
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。