論文の概要: Developing A Fair Individualized Polysocial Risk Score (iPsRS) for Identifying Increased Social Risk of Hospitalizations in Patients with Type 2 Diabetes (T2D)

• arxiv url: http://arxiv.org/abs/2309.02467v1
• Date: Tue, 5 Sep 2023 03:56:21 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-07 18:07:10.518003
• Title: Developing A Fair Individualized Polysocial Risk Score (iPsRS) for Identifying Increased Social Risk of Hospitalizations in Patients with Type 2 Diabetes (T2D)
• Title（参考訳）: 2型糖尿病(t2d)患者の入院リスクを高めるための公平な個別化多社会リスクスコア(ipsrs)の開発
• Authors: Yu Huang, Jingchuan Guo, William T Donahoo, Zhengkang Fan, Ying Lu, Wei-Han Chen, Huilin Tang, Lori Bilello, Elizabeth A Shenkman, Jiang Bian
• Abstract要約: 2型糖尿病(T2D)患者の入院にともなう高い社会的リスクを明らかにするため,EHRに基づく機械学習(ML)分析パイプラインを開発した。 iPsRSは人種・民族間の公正度最適化後,1年間の入院予測において0.72のC統計値を得た。 iPsRSの1年間の入院率は下肢の13倍であった。
• 参考スコア（独自算出の注目度）: 8.709536095865609
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Background: Racial and ethnic minority groups and individuals facing social disadvantages, which often stem from their social determinants of health (SDoH), bear a disproportionate burden of type 2 diabetes (T2D) and its complications. It is therefore crucial to implement effective social risk management strategies at the point of care. Objective: To develop an EHR-based machine learning (ML) analytical pipeline to identify the unmet social needs associated with hospitalization risk in patients with T2D. Methods: We identified 10,192 T2D patients from the EHR data (from 2012 to 2022) from the University of Florida Health Integrated Data Repository, including contextual SDoH (e.g., neighborhood deprivation) and individual-level SDoH (e.g., housing stability). We developed an electronic health records (EHR)-based machine learning (ML) analytic pipeline, namely individualized polysocial risk score (iPsRS), to identify high social risk associated with hospitalizations in T2D patients, along with explainable AI (XAI) techniques and fairness assessment and optimization. Results: Our iPsRS achieved a C statistic of 0.72 in predicting 1-year hospitalization after fairness optimization across racial-ethnic groups. The iPsRS showed excellent utility for capturing individuals at high hospitalization risk; the actual 1-year hospitalization rate in the top 5% of iPsRS was ~13 times as high as the bottom decile. Conclusion: Our ML pipeline iPsRS can fairly and accurately screen for patients who have increased social risk leading to hospitalization in T2D patients.
• Abstract（参考訳）: 背景: 人種や民族の少数派や社会的不利益に直面している個人は、しばしば彼らの社会的健康決定因子(SDoH)に由来するが、2型糖尿病(T2D)とその合併症に対する不均衡な負担を負う。 したがって、ケアの時点で効果的な社会的リスク管理戦略を実施することが重要である。 目的:ehlベースの機械学習(ml)分析パイプラインを開発し,t2d患者の入院リスクにかかわる社会的ニーズを同定すること。 方法: フロリダ大学健康統合データリポジトリのEHRデータ(2012年～2022年)から, 文脈的SDoH(地区分断)と個別レベルのSDoH(住宅安定性など)を含む10,192人のT2D患者を同定した。 ehr(electronic health records)ベースの機械学習(ml)分析パイプライン、すなわちipsr( individualized polysocial risk score)を開発し、t2d患者の入院に伴う高い社会的リスクを特定し、説明可能なai(xai)技術と公平性評価と最適化を行った。 結果:ipsrは、人種集団間の公平性最適化後の1年間の入院予測において、0.72のc統計を達成した。 iPsRSは高い入院リスクで個人を捕獲するのに優れた有用性を示し、iPsRSの上位5%の実際の1年間の入院率は、下肢の13倍であった。 結論:我々のMLパイプラインiPsRSは,T2D患者の入院につながる社会的リスクの高い患者に対して,公平かつ正確にスクリーニングすることができる。

関連論文リスト

• Early Risk Assessment Model for ICA Timing Strategy in Unstable Angina Patients Using Multi-Modal Machine Learning [5.070772577047069]
  不安定狭心症(UA)を含む心血管疾患の診断のための金の基準として、浸潤性冠動脈造影(ICA)が認められている 心筋梗塞とは異なり、UAはST偏位や心筋酵素のような特定の指標を持っておらず、リスクアセスメントが複雑になる。 本研究の目的は,UA患者に対する早期リスクアセスメントを機械学習アルゴリズムを用いて向上することである。
  論文  参考訳（メタデータ） (2024-08-08T07:24:28Z)
• Revisiting Computer-Aided Tuberculosis Diagnosis [56.80999479735375]
  結核(TB)は世界的な健康上の脅威であり、毎年何百万人もの死者を出している。 深層学習を用いたコンピュータ支援結核診断 (CTD) は有望であるが, 限られたトレーニングデータによって進行が妨げられている。 結核X線(TBX11K)データセットは11,200個の胸部X線(CXR)画像とそれに対応するTB領域のバウンディングボックスアノテーションを含む。 このデータセットは、高品質なCTDのための洗練された検出器のトレーニングを可能にする。
  論文  参考訳（メタデータ） (2023-07-06T08:27:48Z)
• Hospital transfer risk prediction for COVID-19 patients from a medicalized hotel based on Diffusion GraphSAGE [7.021489981474361]
  台湾では、軽度または軽度症状のある新型コロナウイルス患者の隔離施設として医療ホテルが開設された。 これらのホテルで利用可能な医療が限られているため、臨床劣化のリスクがある患者を特定することが最重要である。 本研究は, 医用ホテルにおける進行病院転院リスク予測のためのグラフベース深層学習手法の開発と評価を目的とした。
  論文  参考訳（メタデータ） (2022-12-31T14:59:35Z)
• Construction of extra-large scale screening tools for risks of severe mental illnesses using real world healthcare data [0.5671051073036456]
  米国での重篤な精神病(SMI)の流行は全人口の約3%である。 SMIの集団レベルのリスクスクリーニングを行うために、スケーラブルな機械学習ベースのツールが開発された。
  論文  参考訳（メタデータ） (2022-12-20T15:12:12Z)
• Secure and Privacy-Preserving Automated Machine Learning Operations into End-to-End Integrated IoT-Edge-Artificial Intelligence-Blockchain Monitoring System for Diabetes Mellitus Prediction [0.5825410941577593]
  本稿では,危険因子に基づく糖尿病予測のためのIoT-edge-Artificial Intelligence (AI)-blockchainシステムを提案する。 提案システムはブロックチェーンによって支えられ、異なる病院の患者からリスクファクターデータの密集したビューを得る。 提案システムでは,最も正確なランダム林モデルを用いて,数値実験と比較解析を行った。
  論文  参考訳（メタデータ） (2022-11-13T13:57:14Z)
• Development of a dynamic type 2 diabetes risk prediction tool: a UK Biobank study [0.8620335948752806]
  英国バイオバンクデータセットの301機能を用いて10年間の2型糖尿病リスクスコアを算出した。 Cox比例ハザードモデルは、同じ特徴を使ってトレーニングされたDeepSurvモデルをわずかに上回った。 このツールは、2型糖尿病のリスクのある患者の臨床スクリーニングや患者のエンパワーメントの促進に使用できる。
  論文  参考訳（メタデータ） (2021-04-20T16:37:26Z)
• 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)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)
• Automated Quantification of CT Patterns Associated with COVID-19 from Chest CT [48.785596536318884]
  提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。 この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。 このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
  論文  参考訳（メタデータ） (2020-04-02T21:49:14Z)
• DeepEnroll: Patient-Trial Matching with Deep Embedding and Entailment Prediction [67.91606509226132]
  臨床試験は医薬品開発に不可欠であるが、高価で不正確で不十分な患者募集に苦しむことが多い。 DeepEnrollは、入力基準(タブラリデータ)を一致する推論のための共有潜在空間に共同でエンコードする、クロスモーダル推論学習モデルである。
  論文  参考訳（メタデータ） (2020-01-22T17:51:25Z)

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。