論文の概要: An explainable model to support the decision about the therapy protocol
for AML
- arxiv url: http://arxiv.org/abs/2307.02631v1
- Date: Wed, 5 Jul 2023 20:04:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-07 16:03:35.113670
- Title: An explainable model to support the decision about the therapy protocol
for AML
- Title（参考訳）: AML治療プロトコルに関する意思決定を支援するための説明可能なモデル
- Authors: Jade M. Almeida, Giovanna A. Castro, Jo\~ao A. Machado-Neto, Tiago A.
Almeida
- Abstract要約: 本稿では、最も適切な治療プロトコルの決定を支援するために、データ分析と説明可能な機械学習モデルを提案する。
以上の結果から,専門家の判断を安全に支援できる可能性が示唆された。
- 参考スコア（独自算出の注目度）: 1.290382979353427
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Acute Myeloid Leukemia (AML) is one of the most aggressive types of
hematological neoplasm. To support the specialists' decision about the
appropriate therapy, patients with AML receive a prognostic of outcomes
according to their cytogenetic and molecular characteristics, often divided
into three risk categories: favorable, intermediate, and adverse. However, the
current risk classification has known problems, such as the heterogeneity
between patients of the same risk group and no clear definition of the
intermediate risk category. Moreover, as most patients with AML receive an
intermediate-risk classification, specialists often demand other tests and
analyses, leading to delayed treatment and worsening of the patient's clinical
condition. This paper presents the data analysis and an explainable
machine-learning model to support the decision about the most appropriate
therapy protocol according to the patient's survival prediction. In addition to
the prediction model being explainable, the results obtained are promising and
indicate that it is possible to use it to support the specialists' decisions
safely. Most importantly, the findings offered in this study have the potential
to open new avenues of research toward better treatments and prognostic
markers.
- Abstract（参考訳）: 急性骨髄性白血病(AML)は最も攻撃的な血液腫瘍の1つである。
適切な治療に関する専門医の判断を支援するため、AML患者は細胞遺伝学的および分子学的特徴に応じて予後を判断し、しばしば3つの危険カテゴリー(好適、中性、悪)に分けられる。
しかし、現在のリスク分類には、同一のリスクグループの患者間の不均一性や中間リスクカテゴリの明確な定義など、既知の問題がある。
さらに、ほとんどのAML患者は中間リスク分類を受けるため、専門医はしばしば他の検査や分析を要求し、治療が遅れて臨床症状が悪化する。
本稿では、患者の生存予測に基づいて、最も適切な治療プロトコルの決定を支援するためのデータ分析と説明可能な機械学習モデルを提案する。
予測モデルが説明可能であることに加えて、得られた結果は有望であり、専門家の意思決定を安全に支援できることを示す。
最も重要なことは、この研究で得られた知見が、より良い治療と予後マーカーに向けた新しい研究の道を開く可能性を秘めていることだ。
関連論文リスト
- An Oversampling-enhanced Multi-class Imbalanced Classification Framework for Patient Health Status Prediction Using Patient-reported Outcomes [6.075416560330067]
放射線治療を受けたがん患者から直接収集された患者報告結果(PROs)は、臨床医が潜在的毒性について助言する患者を支援する上で重要な役割を担っている。
本稿では,がん光子・プロトン療法センターのproBoostを用いて,健康状態に関連する患者の予後を予測するためのさまざまな機械学習手法について検討する。
論文 参考訳（メタデータ） (2024-11-16T14:54:18Z) - Prediction of Breast Cancer Recurrence Risk Using a Multi-Model Approach
Integrating Whole Slide Imaging and Clinicopathologic Features [0.6679306163028237]
本研究の目的は,スライド画像全体と臨床病理学的データを分析し,関連する乳癌再発リスクを予測するマルチモデルアプローチを開発することである。
提案手法では,特徴抽出に畳み込みニューラルネットワーク,コンテキストアグリゲーションに視覚変換器を用いる。
論文 参考訳（メタデータ） (2024-01-28T23:33:56Z) - XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。
我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。
我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
論文 参考訳（メタデータ） (2023-12-29T14:28:04Z) - Diagnosis Uncertain Models For Medical Risk Prediction [80.07192791931533]
本研究は, 患者の診断にはアクセスできない, バイタルサイン, 検査値, 既往歴にアクセス可能な患者リスクモデルについて考察する。
このようなすべての原因のリスクモデルが、診断全体にわたって良い一般化を持つが、予測可能な障害モードを持つことが示される。
患者診断の不確実性から生じるリスク予測の不確実性を明示的にモデル化し,この問題に対する対策を提案する。
論文 参考訳（メタデータ） (2023-06-29T23:36:04Z) - A new methodology to predict the oncotype scores based on
clinico-pathological data with similar tumor profiles [0.0]
Oncotype DX (ODX) は乳がんの分子検査である。
本研究の目的は,医師の意思決定を支援する新しい手法を提案することである。
論文 参考訳（メタデータ） (2023-03-13T10:08:13Z) - 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) - Benchmarking Heterogeneous Treatment Effect Models through the Lens of
Interpretability [82.29775890542967]
治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。
ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。
我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
論文 参考訳（メタデータ） (2022-06-16T17:59:05Z) - 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) - 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) - MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。
我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。
我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文 参考訳（メタデータ） (2020-10-08T15:30:17Z) - Divide-and-Rule: Self-Supervised Learning for Survival Analysis in
Colorectal Cancer [9.431791041887957]
本稿では,組織領域の表現とクラスタリングのメトリクスを学習し,その基盤となるパターンを学習する自己教師型学習手法を提案する。
提案手法は, 患者結果予測の過度な適合を避けるために, 線形予測器の恩恵を受けることができることを示す。
論文 参考訳（メタデータ） (2020-07-07T09:15:36Z)
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。