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/2305.17261v2
• Date: Mon, 28 Aug 2023 19:47:49 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-30 18:06:40.938519
• 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: 高リスク妊娠(英: High-risk pregnant、HRP)は、母親や乳児の予後に悪影響を及ぼす因子によって複雑な妊娠である。 われわれは、妊婦を識別し、合併症のリスクでトリアージするための機械学習アルゴリズムの構築を目指していた。
• 参考スコア（独自算出の注目度）: 8.7856585359624
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-risk pregnancy (HRP) is a pregnancy complicated by factors that can adversely affect outcomes of the mother or the infant. Health insurers use algorithms to identify members who would benefit from additional clinical support. We aimed to build machine learning algorithms to identify pregnant patients and triage them by risk of complication to assist care management. In this retrospective study, we trained a hybrid Lasso regularized classifier to predict whether a patient is currently pregnant using claims data from 36735 insured members of Independence Blue Cross (IBC), a health insurer in Philadelphia. We then train a linear classifier on a subset of 12,243 members to predict whether a patient will develop gestational diabetes or gestational hypertension. These algorithms were developed in cooperation with the care management team at IBC and integrated into the dashboard. In small user studies with the nurses, we evaluated the impact of integrating our algorithms into their workflow. We find that the proposed model predicts an earlier pregnancy start date for 3.54% (95% CI 3.05-4.00) for patients with complications compared to only using a set of pre-defined codes that indicate the start of pregnancy and never later at the expense of a 5.58% (95% CI 4.05-6.40) false positive rate. The classifier for predicting complications has an AUC of 0.754 (95% CI 0.764-0.788) using data up to the patient's first trimester. Nurses from the care management program expressed a preference for the proposed models over existing approaches. The proposed model outperformed commonly used claim codes for the identification of pregnant patients at the expense of a manageable false positive rate. Our risk complication classifier shows that we can accurately triage patients by risk of complication.
• Abstract（参考訳）: ハイリスク妊娠(high-risk pregnancy、hrp)は、母親や幼児の予後に悪影響を及ぼす要因を併せ持つ妊娠である。 健康保険業者は、追加臨床支援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。 われわれは,妊婦を識別し,合併症のリスクを伴って介護管理を支援する機械学習アルゴリズムの構築を目指していた。 本研究は,フィラデルフィアの健康保険会社インデペンデンス・ブルークロス(ibc)の36735名の被保険者から得た請求データを用いて,現在妊娠中かどうかを推定するために,ハイブリッドlasso正規化分類器を訓練した。 次に,12,243人のサブセットに線形分類器を訓練し,糖尿病や高血圧を発症するかどうかを予測する。 これらのアルゴリズムは、IBCのケアマネジメントチームと協力して開発され、ダッシュボードに統合された。 看護婦との小さなユーザスタディでは、アルゴリズムをワークフローに組み込むことの影響を評価した。 以上の結果から, 妊娠開始日は, 5.58% (95% ci 4.05-6.40) の偽陽性率を犠牲にせず, 妊娠開始日を示す一連の予め定義されたコードのみを用いて, 合併症のある患者に対して3.54% (95% ci 3.05-4.00) の早期妊娠開始日を予測できることがわかった。 合併症を予測する分類器は、患者の最初の三期までのデータを用いて、AUCが 0.754 (95% CI 0.764-0.788) である。 ケアマネジメントプログラムの看護師は、既存のアプローチよりも提案されたモデルを好む。 提案モデルは, 治療可能な偽陽性率を犠牲にして, 妊婦の識別のために一般的に用いられるクレームコードよりも優れていた。 リスクコンプリケーション分類器は,合併症のリスクにより正確なトリアージが可能であった。

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。