論文の概要: Unbiased Pain Assessment through Wearables and EHR Data: Multi-attribute
Fairness Loss-based CNN Approach
- arxiv url: http://arxiv.org/abs/2307.05333v1
- Date: Mon, 3 Jul 2023 09:21:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-16 03:54:35.550844
- Title: Unbiased Pain Assessment through Wearables and EHR Data: Multi-attribute
Fairness Loss-based CNN Approach
- Title（参考訳）: ウェアラブルとEHRデータによる無バイアス痛評価:多属性公正損失に基づくCNNアプローチ
- Authors: Sharmin Sultana, Md Mahmudur Rahman, Atqiya Munawara Mahi, Shao-Hsien
Liu, Mohammad Arif Ul Alam
- Abstract要約: 本稿では,MAFL(Multi-Atribute Fairness Loss)に基づくCNNモデルを提案する。
提案手法と既存の緩和手順を比較し, 実装されたモデルが最先端の手法と対照的に良好に機能することを明らかにする。
- 参考スコア（独自算出の注目度）: 3.799109312082668
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The combination of diverse health data (IoT, EHR, and clinical surveys) and
scalable-adaptable Artificial Intelligence (AI), has enabled the discovery of
physical, behavioral, and psycho-social indicators of pain status. Despite the
hype and promise to fundamentally alter the healthcare system with
technological advancements, much AI adoption in clinical pain evaluation has
been hampered by the heterogeneity of the problem itself and other challenges,
such as personalization and fairness. Studies have revealed that many AI (i.e.,
machine learning or deep learning) models display biases and discriminate
against specific population segments (such as those based on gender or
ethnicity), which breeds skepticism among medical professionals about AI
adaptability. In this paper, we propose a Multi-attribute Fairness Loss (MAFL)
based CNN model that aims to account for any sensitive attributes included in
the data and fairly predict patients' pain status while attempting to minimize
the discrepancies between privileged and unprivileged groups. In order to
determine whether the trade-off between accuracy and fairness can be satisfied,
we compare the proposed model with well-known existing mitigation procedures,
and studies reveal that the implemented model performs favorably in contrast to
state-of-the-art methods. Utilizing NIH All-Of-US data, where a cohort of 868
distinct individuals with wearables and EHR data gathered over 1500 days has
been taken into consideration to analyze our suggested fair pain assessment
system.
- Abstract（参考訳）: 多様な健康データ(IoT, EHR, 臨床調査)とスケーラブル適応人工知能(AI)の組み合わせにより、痛み状態の身体的、行動的、精神社会的指標の発見が可能になった。
技術的進歩によって医療システムを根本的に変えるという誇大宣伝と約束にもかかわらず、臨床的な痛みの評価におけるaiの採用は、問題自体の多様性やパーソナライゼーションや公平性といった他の課題によって妨げられている。
研究により、多くのAIモデル(機械学習やディープラーニング)が偏見を示し、特定の人口セグメント(性別や民族に基づくものなど)を識別していることが判明した。
本稿では,多属性フェアネス損失(mafl)に基づくcnnモデルを提案する。このモデルでは,データに含まれるすべての敏感な属性を考慮し,特権群と非特権群との差異を最小限に抑えつつ,患者の痛み状態をかなり予測することを目的としている。
精度と公平性のトレードオフを満足できるかどうかを判断するために,提案モデルと既知の緩和手順を比較し,実装モデルが最先端手法と対照的に良好に機能することを示す。
NIH All-Of-USデータを用いて、ウェアラブルとEHRのデータを1500日以上収集した858人の個人をコホートし、提案した公正な痛み評価システムを分析する。
関連論文リスト
- Towards a Transportable Causal Network Model Based on Observational
Healthcare Data [1.333879175460266]
本稿では,選択図,不足グラフ,因果発見,事前知識を1つのグラフィカルモデルに組み合わせた新しい手法を提案する。
このモデルは、患者の2つの異なるコホートからなるデータから学習する。
結果として得られた因果ネットワークモデルは、リスク評価、正確性、説明可能性の観点から専門家臨床医によって検証される。
論文 参考訳（メタデータ） (2023-11-13T13:23:31Z) - AI Framework for Early Diagnosis of Coronary Artery Disease: An
Integration of Borderline SMOTE, Autoencoders and Convolutional Neural
Networks Approach [0.44998333629984877]
我々は,データのバランスが不均衡でサンプルサイズが小さい場合に,より正確な予測を行うために,データのバランスと拡張のための方法論を開発する。
実験の結果,提案手法の平均精度は95.36であり,ランダムフォレスト(RF),決定木(DT),サポートベクターマシン(SVM),ロジスティック回帰(LR),人工ニューラルネットワーク(ANN)よりも高かった。
論文 参考訳（メタデータ） (2023-08-29T14:33:38Z) - Pain level and pain-related behaviour classification using GRU-based
sparsely-connected RNNs [61.080598804629375]
慢性的な痛みを持つ人は、特定の身体の動きを無意識に適応させ、怪我や追加の痛みから身を守る。
この相関関係を分析するための専用のベンチマークデータベースが存在しないため、日々の行動に影響を及ぼす可能性のある特定の状況の1つを検討した。
我々は、複数のオートエンコーダを組み込んだゲートリカレントユニット(GRU)と疎結合なリカレントニューラルネットワーク(s-RNN)のアンサンブルを提案した。
本手法は,痛みレベルと痛み関連行動の両方の分類において,最先端のアプローチよりも優れていることを示すいくつかの実験を行った。
論文 参考訳（メタデータ） (2022-12-20T12:56:28Z) - Mitigating Health Disparities in EHR via Deconfounder [5.511343163506091]
我々は、医療データセットの格差問題に対処する新しいフレームワーク、Parity Medical Deconfounder(PriMeD)を提案する。
PriMeDはCVAE(Conditional Variational Autoencoder)を採用して、観測データに対する潜伏要因(代替共同設立者)を学習する。
論文 参考訳（メタデータ） (2022-10-28T05:16:50Z) - Intelligent Sight and Sound: A Chronic Cancer Pain Dataset [74.77784420691937]
本稿では,Intelligent Sight and Sound (ISS) 臨床試験の一環として収集された,最初の慢性ガン痛データセットを紹介する。
これまで収集されたデータは29の患者、509のスマートフォンビデオ、189,999のフレーム、そして自己報告された感情と活動の痛みのスコアから成っている。
静的画像とマルチモーダルデータを用いて、自己報告された痛みレベルを予測する。
論文 参考訳（メタデータ） (2022-04-07T22:14:37Z) - Explaining medical AI performance disparities across sites with
confounder Shapley value analysis [8.785345834486057]
マルチサイト評価は、このような格差を診断する鍵となる。
本フレームワークは,各種類のバイアスが全体の性能差に与える影響を定量化する手法を提供する。
本研究は, 深部学習モデルを用いて気胸の有無を検知し, その有用性を実証するものである。
論文 参考訳（メタデータ） (2021-11-12T18:54:10Z) - Algorithmic encoding of protected characteristics and its implications
on disparities across subgroups [17.415882865534638]
機械学習モデルは、患者の人種的アイデンティティと臨床結果の間に望ましくない相関関係を拾うことができる。
これらのバイアスがどのようにコード化され、どのように異なるパフォーマンスを減らしたり、取り除いたりするかについては、ほとんど分かっていない。
論文 参考訳（メタデータ） (2021-10-27T20:30:57Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳（メタデータ） (2021-04-07T06:02:04Z) - Estimating and Improving Fairness with Adversarial Learning [65.99330614802388]
本研究では,深層学習に基づく医療画像解析システムにおけるバイアスの同時緩和と検出を目的としたマルチタスク・トレーニング戦略を提案する。
具体的には,バイアスに対する識別モジュールと,ベース分類モデルにおける不公平性を予測するクリティカルモジュールを追加することを提案する。
大規模で利用可能な皮膚病変データセットのフレームワークを評価します。
論文 参考訳（メタデータ） (2021-03-07T03:10:32Z) - Adversarial Sample Enhanced Domain Adaptation: A Case Study on
Predictive Modeling with Electronic Health Records [57.75125067744978]
ドメイン適応を容易にするデータ拡張手法を提案する。
逆生成したサンプルはドメイン適応時に使用される。
その結果,本手法の有効性とタスクの一般性が確認された。
論文 参考訳（メタデータ） (2021-01-13T03:20:20Z) - Semi-supervised Medical Image Classification with Relation-driven
Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。
これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。
本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文 参考訳（メタデータ） (2020-05-15T06:57:54Z)
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。