論文の概要: Cardiovascular Disease Risk Prediction via Social Media
- arxiv url: http://arxiv.org/abs/2309.13147v1
- Date: Fri, 22 Sep 2023 19:03:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-26 21:52:08.844464
- Title: Cardiovascular Disease Risk Prediction via Social Media
- Title（参考訳）: ソーシャルメディアによる心血管疾患リスク予測
- Authors: Al Zadid Sultan Bin Habib, Md Asif Bin Syed, Md Tanvirul Islam, Donald
A. Adjeroh
- Abstract要約: 研究者はTwitterと感情分析を使って心血管疾患(CVD)のリスクを予測する
我々は、ツイートで伝えられる感情を精査し、CVD関連のキーワード辞書を新たに導入した。
- 参考スコア（独自算出の注目度）: 3.072340427031969
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Researchers utilize Twitter and sentiment analysis to forecast the risk of
Cardiovascular Disease (CVD). We have introduced a novel CVD-related keyword
dictionary by scrutinizing the emotions conveyed in tweets. We gathered tweets
from eighteen U.S. states, encompassing the Appalachian region. Employing the
VADER model for sentiment analysis, we categorized users as potentially at risk
for CVD. Machine Learning (ML) models were employed to assess individuals' CVD
risk and were subsequently applied to a CDC dataset containing demographic
information for comparison. We considered various performance evaluation
metrics, including Test Accuracy, Precision, Recall, F1 score, Mathew's
Correlation Coefficient (MCC), and Cohen's Kappa (CK) score. Our findings
demonstrate that analyzing the emotional content of tweets outperforms the
predictive capabilities of demographic data alone, enabling the identification
of individuals at potential risk of developing CVD. This research underscores
the potential of Natural Language Processing (NLP) and ML techniques in
leveraging tweets to identify individuals with CVD risks, offering an
alternative approach to traditional demographic information for public health
monitoring.
- Abstract（参考訳）: 研究者はtwitterと感情分析を使って心血管疾患(cvd)のリスクを予測する。
ツイート中の感情を精査し,CVD関連キーワード辞書を導入した。
我々はアパラチア地域を含む18の州からツイートを集めた。
感情分析にVADERモデルを用いて,ユーザがCVDのリスクを負う可能性があると分類した。
機械学習(ML)モデルは個人のCVDリスクを評価するために使用され、その後、人口統計情報を含むCDCデータセットに適用された。
我々は,テスト精度,精度,リコール,F1スコア,マシュー相関係数(MCC),コーエンカッパ(CK)スコアなど,さまざまな評価指標を検討した。
以上の結果から, ツイートの感情内容の分析は, 人口統計データの予測能力よりも優れており, CVDの発症リスクの高い個人識別が可能であることが示唆された。
この研究は、CVDリスクのある個人を特定するためにツイートを活用する自然言語処理(NLP)とML技術の可能性を強調し、従来の人口統計情報に代わるアプローチを公衆衛生監視に提供した。
関連論文リスト
- Integrating Deep Learning with Fundus and Optical Coherence Tomography for Cardiovascular Disease Prediction [47.7045293755736]
心血管疾患(CVD)のリスクのある患者の早期発見は、効果的な予防ケア、医療負担の軽減、患者の生活の質の向上に不可欠である。
本研究は、網膜光コヒーレンス断層撮影(OCT)と眼底写真との併用による、将来の心疾患の特定の可能性を示すものである。
そこで我々は,MCVAE(Multi- Channel Variational Autoencoder)に基づく新たなバイナリ分類ネットワークを提案し,患者の眼底画像とOCT画像の潜伏埋め込みを学習し,個人を将来CVDを発症する可能性のあるものとそうでないものとの2つのグループに分類する。
論文 参考訳（メタデータ） (2024-10-18T12:37:51Z) - Machine Learning Models for the Identification of Cardiovascular Diseases Using UK Biobank Data [4.285399998352862]
この調査では、英国の主要医療センターから50万人以上の中年参加者が参加しました。
参加者は、心臓発作、狭心症、脳卒中、高血圧の少なくとも1つを報告した場合、CVDと分類された。
我々は9つの機械学習モデル (LSVM, RBFSVM, GP, DT, RF, NN, AdaBoost, NB, QDA) を用いた。
論文 参考訳（メタデータ） (2024-07-23T11:05:20Z) - 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) - Contrastive Learning-based Imputation-Prediction Networks for
In-hospital Mortality Risk Modeling using EHRs [9.578930989075035]
本稿では, EHRデータを用いた病院内死亡リスク予測のための, 対照的な学習ベース予測ネットワークを提案する。
本研究は, グラフ解析に基づく患者層形成モデルを用いて, 似通った患者をグループ化する手法を提案する。
2つの実世界のEHRデータセットの実験により、我々のアプローチは、計算タスクと予測タスクの両方において最先端のアプローチよりも優れていることが示された。
論文 参考訳（メタデータ） (2023-08-19T03:24:34Z) - Predicting Cardiovascular Disease Risk using Photoplethysmography and
Deep Learning [9.273651488255036]
心血管疾患 (CVD) は、低所得国や中所得国で早期に死亡する原因となっている。
そこで本研究では,ほとんどのスマートフォンで利用可能なセンシング技術であるフォトプレチスモグラフィー(Photoplethysmography)の可能性について検討した。
PPGを用いた深層学習型CVDリスクスコア(DLS)を開発した。
論文 参考訳（メタデータ） (2023-05-09T17:46:43Z) - 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) - Development of an accessible 10-year Digital CArdioVAscular (DiCAVA)
risk assessment: a UK Biobank study [0.46180371154032895]
目標は、統計的および機械学習技術を使用して新しいリスクモデル(DiCAVA)を開発することであった。
第二の目標は、CVDリスクアセスメントに組み込むことができる新しい患者中心変数を特定することでした。
論文 参考訳（メタデータ） (2021-04-20T16:01:50Z) - Predicting cardiovascular risk from national administrative databases
using a combined survival analysis and deep learning approach [0.3463527836552467]
本研究では,従来のコックス比例ハザードモデル(CPH)を用いた生存分析モデルのディープラーニング拡張性能の比較を行った。
深層学習モデルは、説明された時間対イベントの発生率に基づいてCPHモデルよりも有意に優れていた。
深層学習モデルは、解釈可能なCVDリスク予測方程式を導出するために、大規模な健康管理データベースに適用することができる。
論文 参考訳（メタデータ） (2020-11-28T00:10:25Z) - 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) - Epidemic mitigation by statistical inference from contact tracing data [61.04165571425021]
我々は,個人が感染するリスクを推定するためにベイズ推定法を開発した。
本稿では,感染防止のための検査・隔離戦略を最適化するために,確率論的リスク推定手法を提案する。
我々のアプローチは、最近接触した個人間の通信のみを必要とする、完全に分散されたアルゴリズムに変換されます。
論文 参考訳（メタデータ） (2020-09-20T12:24:45Z) - Hemogram Data as a Tool for Decision-making in COVID-19 Management:
Applications to Resource Scarcity Scenarios [62.997667081978825]
新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。
本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。
提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
論文 参考訳（メタデータ） (2020-05-10T01:45:03Z)
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。