Fugu-MT 論文翻訳(概要): SACDNet: Towards Early Type 2 Diabetes Prediction with Uncertainty for Electronic Health Records

論文の概要: SACDNet: Towards Early Type 2 Diabetes Prediction with Uncertainty for Electronic Health Records

arxiv url: http://arxiv.org/abs/2301.04844v1
Date: Thu, 12 Jan 2023 07:14:47 GMT
ステータス: 処理完了
システム内更新日: 2023-01-13 14:45:01.752331
Title: SACDNet: Towards Early Type 2 Diabetes Prediction with Uncertainty for Electronic Health Records
Title（参考訳）: SACDNet:電子カルテの不確実性を考慮した早期2型糖尿病予測に向けて
Authors: Tayyab Nasir and Muhammad Kamran Malik
Abstract要約: 本研究では,多頭部自己注意層と高密度層を用いた早期T2DM予測のためのニューラルネットワークアーキテクチャを提案する。提案手法は、SACDNet(Self-Attention for Comorbid Disease Net)と呼ばれ、89.3%の精度とF1スコア89.1%の精度を実現している。 T2DM予測データセットも,糖尿病4,124例と非糖尿病181,767例からなる実世界の電子健康記録(EHR)データに基づいて構築されている。
参考スコア（独自算出の注目度）: 0.951828574518325
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Type 2 diabetes mellitus (T2DM) is one of the most common diseases and a leading cause of death. The problem of early diagnosis of T2DM is challenging and necessary to prevent serious complications. This study proposes a novel neural network architecture for early T2DM prediction using multi-headed self-attention and dense layers to extract features from historic diagnoses, patient vitals, and demographics. The proposed technique is called the Self-Attention for Comorbid Disease Net (SACDNet), achieving an accuracy of 89.3% and an F1-Score of 89.1%, having a 1.6% increased accuracy and 1.3% increased f1-score compared to the baseline techniques. Monte Carlo (MC) Dropout is applied to the SACEDNet to get a bayesian approximation. A T2DM prediction framework based on the MC Dropout SACDNet is proposed to quantize the uncertainty associated with the predictions. A T2DM prediction dataset is also built as part of this study which is based on real-world routine Electronic Health Record (EHR) data comprising 4,124 diabetic and 181,767 non-diabetic examples, collected from 295 different EHR systems running in different parts of the United States of America. This dataset is further used to evaluate 7 different machine learning and 3 deep learning-based models. Finally, a detailed analysis of the fairness of every technique against different patient demographic groups is performed to validate the unbiased generalization of the techniques and the diversity of the data.
Abstract（参考訳）: 2型糖尿病(T2DM)は最も一般的な疾患の一つであり、死因である。 T2DMの早期診断は困難であり,重篤な合併症の予防に必要である。本研究では,多頭部自己注意層と高密度層を用いた早期T2DM予測のためのニューラルネットワークアーキテクチャを提案する。提案手法はscdnet(self-attention for comorbid disease net)と呼ばれ,精度89.3%,f1-score89.1%,精度1.6%,f1-scoreが1.3%向上した。 Monte Carlo (MC) Dropoutは、ベイズ近似を得るためにSACEDNetに適用される。 MC Dropout SACDNetに基づくT2DM予測フレームワークを提案する。 T2DM予測データセットは、アメリカ各地の295の異なるEHRシステムから収集された4,124個の糖尿病および181,767個の非糖尿病例からなる実世界の電子健康記録(EHR)データに基づく。このデータセットは、さらに7つの異なる機械学習と3つのディープラーニングベースのモデルを評価するために使用される。最後に, 異なる患者集団に対する各手法の公平性に関する詳細な分析を行い, 技法の偏りのない一般化とデータの多様性を検証する。

関連論文リスト

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)
First Experiences with the Identification of People at Risk for Diabetes in Argentina using Machine Learning Techniques [0.27488316163114823]
本稿では,アルゼンチンにおけるT2DとPDのリスクのある人を特定するための予測モデルの開発と評価について述べる。その結果,これらのモデルを用いた2つのデータセットに対して,非常に良好な性能が得られた。
論文参考訳（メタデータ） (2024-03-27T14:38:02Z)
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)
Clinical Deterioration Prediction in Brazilian Hospitals Based on Artificial Neural Networks and Tree Decision Models [56.93322937189087]
超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
論文参考訳（メタデータ） (2022-12-17T23:29:14Z)
Secure and Privacy-Preserving Automated Machine Learning Operations into End-to-End Integrated IoT-Edge-Artificial Intelligence-Blockchain Monitoring System for Diabetes Mellitus Prediction [0.5825410941577593]
本稿では,危険因子に基づく糖尿病予測のためのIoT-edge-Artificial Intelligence (AI)-blockchainシステムを提案する。提案システムはブロックチェーンによって支えられ、異なる病院の患者からリスクファクターデータの密集したビューを得る。提案システムでは,最も正確なランダム林モデルを用いて,数値実験と比較解析を行った。
論文参考訳（メタデータ） (2022-11-13T13:57:14Z)
SynthA1c: Towards Clinically Interpretable Patient Representations for Diabetes Risk Stratification [0.5551483435671848]
2型糖尿病(T2DM)の早期診断は、タイムリーな治療介入とライフスタイルの変更を可能にするために重要である。画像由来の表現型と身体検査データを組み合わせて糖尿病リスクを正確に予測できることを示す。
論文参考訳（メタデータ） (2022-09-20T23:39:52Z)
A novel solution of deep learning for enhanced support vector machine for predicting the onset of type 2 diabetes [32.25039205521283]
本研究の目的は,2型糖尿病の発症予測に要する処理時間を改善しつつ,AUC(Area Under the Curve)測定値の精度と精度を向上させることである。提案手法は平均精度86.31 %、平均AUC値は0.8270 %または82.70 %であり、処理は3.8ミリ秒改善されている。
論文参考訳（メタデータ） (2022-08-05T18:15:40Z)
Supervised multi-specialist topic model with applications on large-scale electronic health record data [3.322262654060203]
本研究では,MixEHR-Sを,EHRデータから専門分野別トピックを共同推定する。効率的な推論のために,閉形式崩壊変分推論アルゴリズムを開発した。 MixEHR-Sは3つの応用において、最も予測可能な潜在トピックの中で臨床的に有意義な潜在トピックを授与した。
論文参考訳（メタデータ） (2021-05-04T01:27:11Z)
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)
CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文参考訳（メタデータ） (2020-07-20T21:47:28Z)
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。