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/2305.17261v3
• Date: Mon, 22 Apr 2024 04:27:58 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-24 01:12:24.758764
• 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AIによる高リスク妊娠ケアのギャップの解消
• 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)は、母親や乳児の結果に悪影響を及ぼす要因によって複雑な妊娠である。 本研究は、合併症のリスクがある妊婦の特定において、ケアマネージャを支援するための現実のMLベースのシステムの実装を提案する。
• 参考スコア（独自算出の注目度）: 8.36613277875556
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A high-risk pregnancy is a pregnancy complicated by factors that can adversely affect the outcomes of the mother or the infant. Health insurers use algorithms to identify members who would benefit from additional clinical support. This work presents the implementation of a real-world ML-based system to assist care managers in identifying pregnant patients at risk of complications. In this retrospective evaluation study, we developed a novel hybrid-ML classifier to predict whether patients are pregnant and trained a standard classifier using claims data from a health insurance company in the US to predict whether a patient will develop pregnancy complications. These models were developed in cooperation with the care management team and integrated into a user interface with explanations for the nurses. The proposed models 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. Our approach and evaluation are guided by human-centric design. In user studies with the nurses, they preferred the proposed models over existing approaches.
• Abstract（参考訳）: 高リスク妊娠(英: high-risk pregnant)は、母親や乳児の結果に悪影響を及ぼす要因によって複雑な妊娠である。 健康保険業者は、追加の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。 本研究は、合併症のリスクがある妊婦を識別するケアマネージャを支援する、現実のMLベースのシステムの実装を提案する。 本研究は,米国医療保険会社の請求データを用いて,患者が妊娠しているかどうかを予測し,標準分類器を訓練し,妊娠合併症を発症するかどうかを判定するハイブリッドML分類器を開発した。 これらのモデルは、ケアマネジメントチームと連携して開発され、看護師の説明を伴うユーザインタフェースに統合された。 提案モデルでは, 管理可能な偽陽性率を犠牲にして, 妊婦の身元確認のためのクレームコードよりも優れていた。 我々のリスク合併症分類器は、合併症のリスクによって、正確に患者をトリアージできることを示している。 我々のアプローチと評価は人間中心の設計によって導かれる。 看護婦とのユーザスタディでは、既存のアプローチよりも提案されたモデルが好まれていた。

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。