論文の概要: Closing the Gap in High-Risk Pregnancy Care Using Machine Learning and Human-AI Collaboration

• arxiv url: http://arxiv.org/abs/2305.17261v1
• Date: Fri, 26 May 2023 21:08:49 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-30 20:52:47.004823
• Title: Closing the Gap in High-Risk Pregnancy Care Using Machine Learning and Human-AI Collaboration
• Title（参考訳）: 機械学習と人間-aiコラボレーションによる高リスク妊娠ケアのギャップを埋める
• Authors: Hussein Mozannar, Yuria Utsumi, Irene Y. Chen, Stephanie S. Gervasi, Michele Ewing, Aaron Smith-McLallen, David Sontag
• Abstract要約: 我々は、出生前、周産期、および出生後の有害事象のリスクを低減するために、高リスク妊娠(HRP)プログラムに焦点をあてる。 そこで本研究では,妊娠57日前の妊娠をコードベースモデルよりも早く識別する妊娠識別アルゴリズムを提案する。 次に、AUROCの0.760に達する影響のある妊娠合併症を予測するモデルを構築します。
• 参考スコア（独自算出の注目度）: 3.6944296923226316
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Health insurers often use algorithms to identify members who would benefit from care and condition management programs, which provide personalized, high-touch clinical support. Timely, accurate, and seamless integration between algorithmic identification and clinical intervention depends on effective collaboration between the system designers and nurse care managers. We focus on a high-risk pregnancy (HRP) program designed to reduce the likelihood of adverse prenatal, perinatal, and postnatal events and describe how we overcome three challenges of HRP programs as articulated by nurse care managers; (1) early detection of pregnancy, (2) accurate identification of impactable high-risk members, and (3) provision of explainable indicators to supplement predictions. We propose a novel algorithm for pregnancy identification that identifies pregnancies 57 days earlier than previous code-based models in a retrospective study. We then build a model to predict impactable pregnancy complications that achieves an AUROC of 0.760. Models for pregnancy identification and complications are then integrated into a proposed user interface. In a set of user studies, we collected quantitative and qualitative feedback from nurses on the utility of the predictions combined with clinical information driving the predictions on triaging members for the HRP program.
• Abstract（参考訳）: 医療保険者は、しばしば、ケアと状態管理プログラムの恩恵を受けるメンバーを特定するためにアルゴリズムを使用する。 アルゴリズム識別と臨床介入の時間的、正確、シームレスな統合は、システムデザイナーと看護師の効果的な連携に依存する。 本研究は,出生前,周産期,出生後の有害事象の可能性を低減し,(1)妊娠早期発見,(2)感染性の高い高リスクメンバーの正確な同定,(3)予測を補うための説明可能な指標の提供,の3つのHRPプログラムの課題を克服する方法を説明することを目的とした高リスク妊娠プログラム(HRP)に焦点を当てた。 本研究は, 妊娠57日目の妊娠を既往のコードベースモデルよりも早く同定する妊娠識別アルゴリズムを提案する。 次に、AUROCの0.760に達する影響のある妊娠合併症を予測するモデルを構築します。 妊娠の特定と合併症のモデルが提案されたユーザインタフェースに統合される。 本研究では,HRPプログラムのトリアージメンバに対する予測を駆動する臨床情報と合わせて,予測の有用性に関する看護師からの定量的,質的なフィードバックを収集した。

関連論文リスト

• I-SIRch: AI-Powered Concept Annotation Tool For Equitable Extraction And Analysis Of Safety Insights From Maternity Investigations [0.8609957371651683]
  医療データを分析するための現在のツールのほとんどは、人間の要素の重要性を見越して、バイオメディカルな概念にのみ焦点をあてている。 We developed I-SIRch, using AI to Automatic Identification and label human factors concept。 I-SIRchは実データを用いて訓練され、実データとシミュレーションデータの両方でテストし、人間の因子の概念を識別する性能を評価した。
  論文  参考訳（メタデータ） (2024-06-08T16:05:31Z)
• 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)
• Towards an educational tool for supporting neonatologists in the delivery room [0.26999000177990923]
  本稿では,リスク要因と実際のデータから発生イベントに与える影響を識別する機械学習手法を提案する。 我々の最終目標は、高リスク患者に対する適切な介入の認識率と計画を改善することができる、ユーザフレンドリーなモバイルアプリを設計することです。
  論文  参考訳（メタデータ） (2024-03-11T16:03:21Z)
• Interpretable Predictive Models to Understand Risk Factors for Maternal and Fetal Outcomes [17.457683367235536]
  妊娠合併症の危険因子として, 重度の母性不妊症, 肩関節ジストシア, 妊娠前, 産科の4種類を同定し, 検討した。 我々は,ガラス箱の高精度な学習手法である説明可能なブースティングマシン(EBM)を用いて,重要な危険因子の予測と同定を行う。
  論文  参考訳（メタデータ） (2023-10-16T09:17:10Z)
• Large Language Models for Healthcare Data Augmentation: An Example on Patient-Trial Matching [49.78442796596806]
  患者-心電図マッチング(LLM-PTM)のための革新的なプライバシ対応データ拡張手法を提案する。 本実験では, LLM-PTM法を用いて平均性能を7.32%向上させ, 新しいデータへの一般化性を12.12%向上させた。
  論文  参考訳（メタデータ） (2023-03-24T03:14:00Z)
• 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)
• Using Interpretable Machine Learning to Predict Maternal and Fetal Outcomes [9.705885698264005]
  ガラス箱モデルである Explainable Boosting Machine (EBM) を用いて, 最も重要なリスク要因を特定し, 検討した。 EBMの解釈可能性を用いて、リスクに寄与する特徴に関する驚くべき洞察を明らかにする一方で、我々の実験は、EBMが他のブラックボックスML手法の精度と一致することを示した。
  論文  参考訳（メタデータ） (2022-07-12T05:32:26Z)
• 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)
• 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)
• Towards Causality-Aware Inferring: A Sequential Discriminative Approach for Medical Diagnosis [142.90770786804507]
  医学診断アシスタント(MDA)は、疾患を識別するための症状を逐次調査する対話型診断エージェントを構築することを目的としている。 この研究は、因果図を利用して、MDAにおけるこれらの重要な問題に対処しようとする。 本稿では,他の記録から知識を引き出すことにより,非記録的調査に効果的に答える確率に基づく患者シミュレータを提案する。
  論文  参考訳（メタデータ） (2020-03-14T02:05:54Z)

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。