論文の概要: Predicting Treatment Adherence of Tuberculosis Patients at Scale

• arxiv url: http://arxiv.org/abs/2211.02943v1
• Date: Sat, 5 Nov 2022 17:00:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-08 15:53:23.721152
• Title: Predicting Treatment Adherence of Tuberculosis Patients at Scale
• Title（参考訳）: 結核患者に対する大規模治療適応の予測
• Authors: Mihir Kulkarni, Satvik Golechha, Rishi Raj, Jithin Sreedharan, Ankit Bhardwaj, Santanu Rathod, Bhavin Vadera, Jayakrishna Kurada, Sanjay Mattoo, Rajendra Joshi, Kirankumar Rade, Alpan Raval
• Abstract要約: TB薬物への非依存は死亡と致死性の重大な原因である。 我々は、慣用階数に基づく計量に基づいて、非一貫性の早期予測の機械学習問題を定式化し、解決する。 以上の結果から,非遺伝性患者のリスク階層化は,大規模に展開可能なMLソリューションとして有効であることが示唆された。
• 参考スコア（独自算出の注目度）: 0.6873562466909032
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Tuberculosis (TB), an infectious bacterial disease, is a significant cause of death, especially in low-income countries, with an estimated ten million new cases reported globally in $2020$. While TB is treatable, non-adherence to the medication regimen is a significant cause of morbidity and mortality. Thus, proactively identifying patients at risk of dropping off their medication regimen enables corrective measures to mitigate adverse outcomes. Using a proxy measure of extreme non-adherence and a dataset of nearly $700,000$ patients from four states in India, we formulate and solve the machine learning (ML) problem of early prediction of non-adherence based on a custom rank-based metric. We train ML models and evaluate against baselines, achieving a $\sim 100\%$ lift over rule-based baselines and $\sim 214\%$ over a random classifier, taking into account country-wide large-scale future deployment. We deal with various issues in the process, including data quality, high-cardinality categorical data, low target prevalence, distribution shift, variation across cohorts, algorithmic fairness, and the need for robustness and explainability. Our findings indicate that risk stratification of non-adherent patients is a viable, deployable-at-scale ML solution.
• Abstract（参考訳）: 感染性細菌病である結核(tb)は、特に低所得国において致命的な死因であり、全世界で推定1000万人の新規感染者が2020ドルで報告されている。 TBは治療可能であるが、薬局への非依存は致死性および死亡の重要な原因である。 このように、薬局を離脱するリスクのある患者を積極的に特定することで、副作用を軽減できる。 インドの4州から70,000ドル近い患者を対象とする,極度の非整合性のプロキシ尺度とデータセットを用いて,従来型の階数に基づく非整合性の早期予測という機械学習(ML)問題を定式化し,解決する。 MLモデルをトレーニングし、ベースラインに対する評価を行い、ルールベースのベースラインに対する$\sim 100\%$リフトとランダムな分類器に対する$\sim 214\%$を達成する。 データ品質、高カーディナリティのカテゴリデータ、低いターゲット率、分布シフト、コホート間のばらつき、アルゴリズムの公平性、堅牢性と説明可能性の必要性など、プロセスにおけるさまざまな問題に対処します。 以上の結果から,非アドヒレント患者のリスク階層化は,大規模に展開可能なmlソリューションであることが示唆された。

関連論文リスト

• Considerations for Distribution Shift Robustness of Diagnostic Models in Healthcare [10.393967785465536]
  健康のための応用MLの分野では、患者に関する情報を考慮せずに$X$から$Y$を予測することが一般的である。 本研究では,医療環境に共通するデータ生成機構を強調し,因果関係の文献による最近の理論的結果を用いて,堅牢な予測モデルを構築する方法について論じる。
  論文  参考訳（メタデータ） (2024-10-25T14:13:09Z)
• Introducing the Large Medical Model: State of the art healthcare cost and risk prediction with transformers trained on patient event sequences [0.47901560316389713]
  大規模医療モデル(Large Medical Model, LMM)は、患者医療と医療管理の幅広い側面をガイドし、予測するために設計された、GPT(Generative Pre-trained Transformer)である。 このモデルは、医療用語システムから構築された特別な語彙を用いて、1億4000万件以上の患者の主張記録から医療イベントシーケンスに基づいて訓練されている。 LMMは、最高の商用モデルよりも14.1%のコスト予測と、幅広い条件を予測する研究において最高のトランスフォーマーモデルよりも1.9%の慢性的な条件予測の両方を改善できる。
  論文  参考訳（メタデータ） (2024-09-19T15:38:21Z)
• 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)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• Advances in Prediction of Readmission Rates Using Long Term Short Term Memory Networks on Healthcare Insurance Data [1.454498931674109]
  30日間の入院は長期にわたる医療問題であり、患者の死亡率や死亡率に影響を与え、年間数十億ドルの費用がかかる。 我々は、簡単に利用可能な保険データを利用できる双方向長短メモリ(LSTM)ネットワークを開発した。 以上の結果から, 機械学習モデルにより, 全患者に対して妥当な精度で入院リスクを予測できることが示唆された。
  論文  参考訳（メタデータ） (2022-06-30T19:07:10Z)
• 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)
• 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)
• From predictions to prescriptions: A data-driven response to COVID-19 [42.57407485467993]
  新型コロナウイルスの臨床的特徴を理解するための包括的データ駆動型アプローチを提案する。 私たちは、感染や死亡のリスクを予測するために、パーソナライズされた電卓を構築します。 人工呼吸器の再配置と不足軽減のための最適化モデルを提案する。
  論文  参考訳（メタデータ） (2020-06-30T03:34:00Z)
• 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)
• Predictive Modeling of ICU Healthcare-Associated Infections from Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling Approach [55.41644538483948]
  本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。 感染発生率の低減に向けた意思決定を支援することを目的とする。
  論文  参考訳（メタデータ） (2020-05-07T16:13:12Z)

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。