論文の概要: Analysis and Evaluation of Explainable Artificial Intelligence on
Suicide Risk Assessment
- arxiv url: http://arxiv.org/abs/2303.06052v1
- Date: Thu, 9 Mar 2023 05:11:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-13 14:27:26.981142
- Title: Analysis and Evaluation of Explainable Artificial Intelligence on
Suicide Risk Assessment
- Title（参考訳）: 自殺リスク評価における説明可能な人工知能の分析と評価
- Authors: Hao Tang, Aref Miri Rekavandi, Dharjinder Rooprai, Girish Dwivedi,
Frank Sanfilippo, Farid Boussaid, Mohammed Bennamoun
- Abstract要約: 本研究では,自殺リスク予測における説明可能な人工知能(XAI)技術の有効性について検討した。
データ拡張技術とMLモデルは、関連するリスクを予測するために使用される。
高い収入、高い職業、大学教育を持つ患者は、最もリスクが低い。
- 参考スコア（独自算出の注目度）: 32.04382293817763
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: This study investigates the effectiveness of Explainable Artificial
Intelligence (XAI) techniques in predicting suicide risks and identifying the
dominant causes for such behaviours. Data augmentation techniques and ML models
are utilized to predict the associated risk. Furthermore, SHapley Additive
exPlanations (SHAP) and correlation analysis are used to rank the importance of
variables in predictions. Experimental results indicate that Decision Tree
(DT), Random Forest (RF) and eXtreme Gradient Boosting (XGBoost) models achieve
the best results while DT has the best performance with an accuracy of 95:23%
and an Area Under Curve (AUC) of 0.95. As per SHAP results, anger problems,
depression, and social isolation are the leading variables in predicting the
risk of suicide, and patients with good incomes, respected occupations, and
university education have the least risk. Results demonstrate the effectiveness
of machine learning and XAI framework for suicide risk prediction, and they can
assist psychiatrists in understanding complex human behaviours and can also
assist in reliable clinical decision-making.
- Abstract（参考訳）: 本研究では,自殺リスクを予測し,その原因を特定するために,説明可能な人工知能(XAI)技術の有効性を検討した。
データ拡張技術とMLモデルは、関連するリスクを予測するために使用される。
さらに、SHAP(SHapley Additive exPlanations)と相関解析を用いて、予測における変数の重要性をランク付けする。
実験の結果,決定木 (DT), ランダムフォレスト (RF), およびeXtreme Gradient Boosting (XGBoost) モデルが最も優れた結果を得た一方, DTは95:23%, エリアアンダーカーブ (AUC) は0.95であった。
SHAPの結果によると、怒りの問題、抑うつ、社会的孤立が自殺のリスクを予測する主要な変数であり、優れた収入を持つ患者、尊敬された職業、大学教育が最もリスクが少ない。
その結果、自殺リスク予測のための機械学習とxaiフレームワークの有効性が示され、精神科医が複雑な人間の行動を理解するのを助け、信頼性の高い臨床意思決定を支援することができる。
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) - Interpretable Survival Analysis for Heart Failure Risk Prediction [50.64739292687567]
現状の生存モデルと解釈可能かつ競合する新しい生存分析パイプラインを提案する。
我々のパイプラインは最先端のパフォーマンスを達成し、心不全のリスク要因に関する興味深い新しい洞察を提供する。
論文 参考訳（メタデータ） (2023-10-24T02:56:05Z) - 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) - Improving Opioid Use Disorder Risk Modelling through Behavioral and Genetic Feature Integration [3.524972282521988]
オピオイドは急性および慢性の痛みに対して効果的な鎮痛薬であるが、中毒のリスクを負い、毎年数百万のオピオイド使用障害(OUD)と数万の早死にを経験する。
我々は,OUDに関連する遺伝的変異をGPSとWi-Fiの時間座標から抽出した行動特徴と組み合わせ,OUDリスクを評価するための実験的設計と計算手法を開発した。
論文 参考訳（メタデータ） (2023-09-19T17:01:28Z) - Explainable AI for Malnutrition Risk Prediction from m-Health and
Clinical Data [3.093890460224435]
異種m-healthデータに基づく早期かつ説明可能な栄養失調リスク検出のための新しいAIフレームワークを提案する。
対象非依存および個人化予測を含む広範囲なモデル評価を行った。
また,グローバルモデル記述を抽出するベンチマークXAI法についても検討した。
論文 参考訳（メタデータ） (2023-05-31T08:07:35Z) - Penalized Deep Partially Linear Cox Models with Application to CT Scans
of Lung Cancer Patients [42.09584755334577]
肺がんは世界中のがん死亡の原因であり、効果的な治療法を設計するための死亡リスクを理解することの重要性を強調している。
NLST(National Lung Screening Trial)は、肺がん患者の死亡リスクを定量化するために、CTテクスチャ解析を用いている。
本稿では,SCADペナルティを組み込んで重要なテクスチャ特徴を抽出し,深層ニューラルネットワークを用いてモデルの非パラメトリック成分を推定する,Pentalized Deep partially Linear Cox Model (Penalized DPLC)を提案する。
論文 参考訳（メタデータ） (2023-03-09T15:38:16Z) - A New Approach for Interpretability and Reliability in Clinical Risk
Prediction: Acute Coronary Syndrome Scenario [0.33927193323747895]
我々は、リスクスコアと機械学習モデルの両方の最高の特徴を組み合わせた、新たなリスクアセスメント方法論を作成するつもりです。
提案手法は、標準LRと同一の試験結果を得たが、より優れた解釈性とパーソナライゼーションを提供する。
個人予測の信頼性推定は誤分類率と大きな相関を示した。
論文 参考訳（メタデータ） (2021-10-15T19:33:46Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳（メタデータ） (2021-04-07T06:02:04Z) - 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) - Gradient Boosting on Decision Trees for Mortality Prediction in
Transcatheter Aortic Valve Implantation [5.050648346154715]
心臓外科における現在の予後リスクスコアは統計に基づいており、まだ機械学習の恩恵を受けていない。
本研究は,TAVI後の患者の1年間の死亡率を予測する機械学習モデルの構築を目的とする。
論文 参考訳（メタデータ） (2020-01-08T10:04:42Z)
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。