論文の概要: Predicting Risk of Dementia with Survival Machine Learning and Statistical Methods: Results on the English Longitudinal Study of Ageing Cohort

• arxiv url: http://arxiv.org/abs/2306.10330v1
• Date: Sat, 17 Jun 2023 12:15:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-21 23:07:35.119746
• Title: Predicting Risk of Dementia with Survival Machine Learning and Statistical Methods: Results on the English Longitudinal Study of Ageing Cohort
• Title（参考訳）: サバイバル機械学習と統計的手法を用いた認知症発症リスクの予測--高齢化コホートの英語縦断研究の結果から
• Authors: Daniel Stamate, Henry Musto, Olesya Ajnakina, Daniel Stahl
• Abstract要約: 認知症の発症を予測しようとする機械学習モデルは、通常、イベントが発生するまでの時間を無視した分類手法に従う。 本研究では,機械学習技術の文脈における生存分析を用いた代替手法を提案する。 ランダムフォレストと弾性ネットの機械学習アルゴリズムに基づく2つのサバイバル手法拡張をトレーニング、最適化、予測モデルの評価に適用する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning models that aim to predict dementia onset usually follow the classification methodology ignoring the time until an event happens. This study presents an alternative, using survival analysis within the context of machine learning techniques. Two survival method extensions based on machine learning algorithms of Random Forest and Elastic Net are applied to train, optimise, and validate predictive models based on the English Longitudinal Study of Ageing ELSA cohort. The two survival machine learning models are compared with the conventional statistical Cox proportional hazard model, proving their superior predictive capability and stability on the ELSA data, as demonstrated by computationally intensive procedures such as nested cross-validation and Monte Carlo validation. This study is the first to apply survival machine learning to the ELSA data, and demonstrates in this case the superiority of AI based predictive modelling approaches over the widely employed Cox statistical approach in survival analysis. Implications, methodological considerations, and future research directions are discussed.
• Abstract（参考訳）: 認知症の発症を予測する機械学習モデルは、通常、イベントが発生するまでの時間を無視した分類手法に従う。 本研究は,機械学習手法の文脈でサバイバル分析を用いた代替案を提案する。 ランダムフォレストと弾性ネットの機械学習アルゴリズムに基づく2つのサバイバル手法拡張を、英語の長周期ELSAコホートに基づくトレーニング、最適化、予測モデルの評価に適用した。 2つのサバイバル機械学習モデルは従来の統計的コックス比例ハザードモデルと比較され、ネストクロスバリデーションやモンテカルロ検証のような計算集約的な手順で示されるように、ELSAデータの予測能力と安定性が優れたことを証明している。 この研究は、ELSAデータにサバイバル機械学習を適用した最初の試みであり、この場合、サバイバル分析において広く用いられているコックス統計手法よりもAIベースの予測モデルアプローチの方が優れていることを示す。 含意,方法論的考察,今後の研究方向性について論じる。

関連論文リスト

• Recent Advances in Predictive Modeling with Electronic Health Records [73.31880579203012]
  EHRデータを予測モデリングに利用すると、その特徴からいくつかの課題が生じる。 深層学習は、医療を含む様々な応用においてその優位性を示している。
  論文  参考訳（メタデータ） (2024-02-02T00:31:01Z)
• DySurv: Dynamic Deep Learning Model for Survival Prediction in the ICU [2.9404725327650767]
  そこで我々は,DySurvと呼ばれる条件付き変分オートエンコーダ方式を提案する。 DySurvは、患者の電子健康記録からの静的および時系列測定を組み合わせて、死のリスクを動的に見積もっている。 DySurvの予測能力は一貫しており、生存確率は異なるデータセットに分散している。
  論文  参考訳（メタデータ） (2023-10-28T11:29:09Z)
• 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)
• Safe AI for health and beyond -- Monitoring to transform a health service [51.8524501805308]
  機械学習アルゴリズムの出力を監視するために必要なインフラストラクチャを評価する。 モデルのモニタリングと更新の例を示す2つのシナリオを提示します。
  論文  参考訳（メタデータ） (2023-03-02T17:27:45Z)
• Survival Prediction of Heart Failure Patients using Stacked Ensemble Machine Learning Algorithm [0.0]
  心不全は、我々の時代における主要な健康上の危険問題の1つであり、世界中の死因の1つです。 データマイニングは、医療機関が生成した大量の生データを意味のある情報に変換するプロセスである。 本研究は, 心不全後の生存可能性を予測するためには, 患者から採取した特定の属性のみが必須であることが示唆された。
  論文  参考訳（メタデータ） (2021-08-30T16:42:27Z)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• Surrogate Assisted Semi-supervised Inference for High Dimensional Risk Prediction [3.10560974227074]
  高次元予測器を用いたリスクモデリングのためのSAS(Surrogate Assisted Semi-supervised- Learning)アプローチを開発しています。 SAS法が高次元作業モデルに起因する予測リスクに対して有効な推論を提供することを実証する。
  論文  参考訳（メタデータ） (2021-05-04T03:08:51Z)
• Learning to Predict with Supporting Evidence: Applications to Clinical Risk Prediction [9.199022926064009]
  機械学習モデルがヘルスケアに与える影響は、医療専門家がこれらのモデルによって予測される信頼度に依存する。 予測が信頼されるべき理由に関するドメイン関連証拠を,臨床専門性のある人に提供するための方法を提示する。
  論文  参考訳（メタデータ） (2021-03-04T00:26:32Z)
• STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological Regularization [76.57716281104938]
  我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。 stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。 我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
  論文  参考訳（メタデータ） (2020-12-08T21:21:47Z)
• Neural Topic Models with Survival Supervision: Jointly Predicting Time-to-Event Outcomes and Learning How Clinical Features Relate [8.661220987937565]
  本稿では,時間対結果の予測のための解釈可能なニューラルネットワーク手法を提案する。 我々は、トピックモデルの観点から機能がどのように関連しているかを同時に学習しながら、時間から時間までの結果を予測するために生存モデルを学習する。 本研究は,7つの医療データセットを用いて,死亡までの予測と入院期間の予測について検討した。
  論文  参考訳（メタデータ） (2020-07-15T16:20:04Z)

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。