論文の概要: Development and validation of an interpretable machine learning-based
calculator for predicting 5-year weight trajectories after bariatric surgery:
a multinational retrospective cohort SOPHIA study
- arxiv url: http://arxiv.org/abs/2308.16585v1
- Date: Thu, 31 Aug 2023 09:30:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-01 15:05:41.420591
- Title: Development and validation of an interpretable machine learning-based
calculator for predicting 5-year weight trajectories after bariatric surgery:
a multinational retrospective cohort SOPHIA study
- Title（参考訳）: 理学療法後の5年間の体重軌跡予測のための解釈可能な機械学習ベースの計算機の開発と検証--多国的振り返りコホート・ソフィア研究
- Authors: Patrick Saux (Scool, CRIStAL), Pierre Bauvin, Violeta Raverdy, Julien
Teigny (Scool), H\'el\`ene Verkindt, Tomy Soumphonphakdy (Scool), Maxence
Debert (Scool), Anne Jacobs, Daan Jacobs, Valerie Monpellier, Phong Ching
Lee, Chin Hong Lim, Johanna C Andersson-Assarsson, Lena Carlsson, Per-Arne
Svensson, Florence Galtier, Guelareh Dezfoulian, Mihaela Moldovanu, Severine
Andrieux, Julien Couster, Marie Lepage, Erminia Lembo, Ornella Verrastro,
Maud Robert, Paulina Salminen, Geltrude Mingrone, Ralph Peterli, Ricardo V
Cohen, Carlos Zerrweck, David Nocca, Carel W Le Roux, Robert Caiazzo,
Philippe Preux (Scool, CRIStAL), Fran\c{c}ois Pattou
- Abstract要約: 手術後5年間の減量軌跡の術前予測に機械学習を用いたモデルを構築した。
モデルは、手術前に臨床上の決定を知らせるために、使い易く解釈可能なWebベースの予測ツールに組み込まれる。
- 参考スコア（独自算出の注目度）: 0.19676506937647395
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Background Weight loss trajectories after bariatric surgery vary widely
between individuals, and predicting weight loss before the operation remains
challenging. We aimed to develop a model using machine learning to provide
individual preoperative prediction of 5-year weight loss trajectories after
surgery. Methods In this multinational retrospective observational study we
enrolled adult participants (aged $\ge$18 years) from ten prospective cohorts
(including ABOS [NCT01129297], BAREVAL [NCT02310178], the Swedish Obese
Subjects study, and a large cohort from the Dutch Obesity Clinic [Nederlandse
Obesitas Kliniek]) and two randomised trials (SleevePass [NCT00793143] and
SM-BOSS [NCT00356213]) in Europe, the Americas, and Asia, with a 5 year
followup after Roux-en-Y gastric bypass, sleeve gastrectomy, or gastric band.
Patients with a previous history of bariatric surgery or large delays between
scheduled and actual visits were excluded. The training cohort comprised
patients from two centres in France (ABOS and BAREVAL). The primary outcome was
BMI at 5 years. A model was developed using least absolute shrinkage and
selection operator to select variables and the classification and regression
trees algorithm to build interpretable regression trees. The performances of
the model were assessed through the median absolute deviation (MAD) and root
mean squared error (RMSE) of BMI. Findings10 231 patients from 12 centres in
ten countries were included in the analysis, corresponding to 30 602
patient-years. Among participants in all 12 cohorts, 7701 (75$\bullet$3%) were
female, 2530 (24$\bullet$7%) were male. Among 434 baseline attributes available
in the training cohort, seven variables were selected: height, weight,
intervention type, age, diabetes status, diabetes duration, and smoking status.
At 5 years, across external testing cohorts the overall mean MAD BMI was
2$\bullet$8 kg/m${}^2$ (95% CI 2$\bullet$6-3$\bullet$0) and mean RMSE BMI was
4$\bullet$7 kg/m${}^2$ (4$\bullet$4-5$\bullet$0), and the mean difference
between predicted and observed BMI was-0$\bullet$3 kg/m${}^2$ (SD 4$\bullet$7).
This model is incorporated in an easy to use and interpretable web-based
prediction tool to help inform clinical decision before surgery.
InterpretationWe developed a machine learning-based model, which is
internationally validated, for predicting individual 5-year weight loss
trajectories after three common bariatric interventions.
- Abstract（参考訳）: 手術前後の体重減少軌跡は個人によって大きく異なり, 術後の体重減少の予測は困難である。
術後5年間の減量軌跡の術前予測に機械学習を用いたモデルを開発することを目的とした。
Methods In this multinational retrospective observational study we enrolled adult participants (aged $\ge$18 years) from ten prospective cohorts (including ABOS [NCT01129297], BAREVAL [NCT02310178], the Swedish Obese Subjects study, and a large cohort from the Dutch Obesity Clinic [Nederlandse Obesitas Kliniek]) and two randomised trials (SleevePass [NCT00793143] and SM-BOSS [NCT00356213]) in Europe, the Americas, and Asia, with a 5 year followup after Roux-en-Y gastric bypass, sleeve gastrectomy, or gastric band.
来院予定日と来院の遅れが多かった症例は, 既往歴のある症例は除外された。
訓練コホートはフランスの2つのセンター(ABOSとBAREVAL)の患者で構成された。
主な結果は5年間のBMIであった。
変数選択のための最小絶対縮小と選択演算子と、解釈可能な回帰木を構築するための分類と回帰木アルゴリズムを用いてモデルを開発した。
モデルの性能は, 中央値の絶対偏差 (MAD) と根平均二乗誤差 (RMSE) を用いて評価した。
分析対象は10か国12か国231例で,30,602例であった。
12のコホートのうち7701 (75$\bullet$3%) は女性、2530 (24$\bullet$7%) は男性であった。
トレーニングコホートで利用可能な434の基準属性のうち,身長,体重,介入型,年齢,糖尿病状態,糖尿病期間,喫煙状況の7つの変数が選択された。
5年間で、外部テストコホート全体のMAD BMIの平均値は2$\bullet$8 kg/m${}^2$ (95% CI 2$\bullet$6-3$\bullet$0)、RMSE BMIは4$\bullet$7 kg/m${}^2$ (4$\bullet$4-5$\bullet$0)、予測と観測されたBMIの平均差は-0$\bullet$3 kg/m${}^2$ (SD 4$\bullet$7)であった。
このモデルは,手術前の臨床診断に有用なWebベースの予測ツールに組み込まれている。
解釈 われわれは,3回の冠状動脈の介入後,各5年間の体重減少軌跡を予測するための機械学習モデルを開発した。
関連論文リスト
- Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。
本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文 参考訳（メタデータ） (2024-09-29T07:04:26Z) - BMI Prediction from Handwritten English Characters Using a Convolutional Neural Network [0.0]
これまでの研究では、筆跡解析のためのディープラーニング技術とBMI予測との間に明確な関連性は確立されなかった。
本稿では、畳み込みニューラルネットワーク(CNN)を開発し、手書き文字からBMIを推定するディープラーニングアプローチを用いて、この研究ギャップに対処する。
BMI予測タスクのために、小文字の英語スクリプトの48人のサンプルを含むデータセットを正常にキャプチャする。
論文 参考訳（メタデータ） (2024-09-04T10:06:42Z) - Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。
そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文 参考訳（メタデータ） (2024-04-26T16:39:50Z) - PatchBMI-Net: Lightweight Facial Patch-based Ensemble for BMI Prediction [3.9440964696313485]
健康度モニタリングのための自己診断型顔画像に基づくBMI予測手法を提案する。
これらの手法は、主に畳み込みニューラルネットワーク(CNN)ベースの回帰ベースライン(VGG19、ResNet50、Efficient-NetB0)を使用している。
本稿では,BMI予測のための軽量な顔パッチベースのアンサンブル(PatchBMI-Net)を開発し,スマートフォンによる展開と重量モニタリングを容易にすることを目的とする。
論文 参考訳（メタデータ） (2023-11-29T21:39:24Z) - Small-scale proxies for large-scale Transformer training instabilities [69.36381318171338]
我々は、小規模でトレーニングの安定性と不安定性を再現し、研究する方法を模索する。
学習速度とスケールによる損失の関係を計測することにより,これらの不安定性は,学習率の高いトレーニングにおいて,小さなモデルにも現れることを示す。
ウォームアップ,ウェイト崩壊,および$mu$Paramなどの手法を用いて,学習速度変化の桁数で同様の損失を被る小さなモデルを訓練する。
論文 参考訳（メタデータ） (2023-09-25T17:48:51Z) - Body Fat Estimation from Surface Meshes using Graph Neural Networks [48.85291874087541]
三角体表面メッシュを用いて,グラフニューラルネットワークを用いて,VATおよびASATボリュームを正確に予測できることを示す。
本手法は,この領域の最先端畳み込みニューラルネットワークと比較して,トレーニング時間と必要なリソースを削減しつつ高い性能を実現する。
論文 参考訳（メタデータ） (2023-07-13T10:21:34Z) - Machine Learning and Bioinformatics for Diagnosis Analysis of Obesity
Spectrum Disorders [0.0]
肥満患者の数は、摂食生活と不適切な食事が原因で倍増している。
肥満の人は異なる慢性疾患に苦しむため、平均寿命は80歳から75歳に低下した。
本報告では,肥満の原因を特徴付け,予測し,分析するためにMLデータセットを用いた小児・成人の肥満問題に対処する。
論文 参考訳（メタデータ） (2022-08-05T13:07:27Z) - Dynamic Bank Learning for Semi-supervised Federated Image Diagnosis with
Class Imbalance [65.61909544178603]
クラス不均衡半教師付きFL(imFed-Semi)の実用的かつ困難な問題について検討する。
このImFed-Semi問題は、クラス比例情報を利用してクライアントトレーニングを改善する新しい動的銀行学習方式によって解決される。
25,000個のCTスライスによる頭蓋内出血診断と10,015個の皮膚内視鏡画像による皮膚病変診断の2つの公開実世界の医療データセットに対するアプローチを評価した。
論文 参考訳（メタデータ） (2022-06-27T06:51:48Z) - Who will Leave a Pediatric Weight Management Program and When? -- A
machine learning approach for predicting attrition patterns [1.0705399532413615]
小児科における重度管理プログラムは,肥満と重度肥満の小児の標準治療であると考えられる。
高い落差率(トリクションと呼ばれる)は、介入を成功させる上で大きなハードルとなる。
a) 体重管理プログラムに参加した後, 子どもの身体質量指数(BMI)のパーセンタイルの変化を予測するための機械学習モデルを提案する。
論文 参考訳（メタデータ） (2022-02-03T18:41:36Z) - Brain Age Estimation From MRI Using Cascade Networks with Ranking Loss [75.03117866578913]
T1強調MRIデータから脳年齢を推定するために,新しい3次元畳み込みネットワークである2段エイジネットワーク(TSAN)を提案する。
686ドルのMRIによる実験では、TSANが正確な脳年齢を推定できることが示された。
論文 参考訳（メタデータ） (2021-06-06T07:11:25Z) - Deep Learning to Quantify Pulmonary Edema in Chest Radiographs [7.121765928263759]
肺浮腫の重症度を胸部X線写真で分類する機械学習モデルを開発した。
深層学習モデルは、大きな胸部X線写真データセットで訓練された。
論文 参考訳（メタデータ） (2020-08-13T15:45:44Z)
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。