論文の概要: Interpretable Predictive Models to Understand Risk Factors for Maternal
and Fetal Outcomes
- arxiv url: http://arxiv.org/abs/2310.10203v1
- Date: Mon, 16 Oct 2023 09:17:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-17 15:27:40.781743
- Title: Interpretable Predictive Models to Understand Risk Factors for Maternal
and Fetal Outcomes
- Title（参考訳）: 母親と胎児のリスク要因を理解するための解釈可能な予測モデル
- Authors: Tomas M. Bosschieter, Zifei Xu, Hui Lan, Benjamin J. Lengerich, Harsha
Nori, Ian Painter, Vivienne Souter, Rich Caruana
- Abstract要約: 妊娠合併症の危険因子として, 重度の母性不妊症, 肩関節ジストシア, 妊娠前, 産科の4種類を同定し, 検討した。
我々は,ガラス箱の高精度な学習手法である説明可能なブースティングマシン(EBM)を用いて,重要な危険因子の予測と同定を行う。
- 参考スコア（独自算出の注目度）: 17.457683367235536
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Although most pregnancies result in a good outcome, complications are not
uncommon and can be associated with serious implications for mothers and
babies. Predictive modeling has the potential to improve outcomes through
better understanding of risk factors, heightened surveillance for high risk
patients, and more timely and appropriate interventions, thereby helping
obstetricians deliver better care. We identify and study the most important
risk factors for four types of pregnancy complications: (i) severe maternal
morbidity, (ii) shoulder dystocia, (iii) preterm preeclampsia, and (iv)
antepartum stillbirth. We use an Explainable Boosting Machine (EBM), a
high-accuracy glass-box learning method, for prediction and identification of
important risk factors. We undertake external validation and perform an
extensive robustness analysis of the EBM models. EBMs match the accuracy of
other black-box ML methods such as deep neural networks and random forests, and
outperform logistic regression, while being more interpretable. EBMs prove to
be robust. The interpretability of the EBM models reveals surprising insights
into the features contributing to risk (e.g. maternal height is the second most
important feature for shoulder dystocia) and may have potential for clinical
application in the prediction and prevention of serious complications in
pregnancy.
- Abstract（参考訳）: ほとんどの妊娠は良好な結果をもたらすが、合併症は珍しくなく、母親や赤ちゃんに深刻な影響をもたらす可能性がある。
予測モデリングは、リスク要因の理解を深め、リスクの高い患者に対する監視を強化し、よりタイムリーで適切な介入を行うことによって、結果を改善する可能性を秘めている。
4種類の妊娠合併症の最も重要な危険因子を特定し,検討する。
(i)重度の母性死亡。
(ii)肩ジストシア。
(iii)早産、及び
(iv) antepartum stillbirth。
我々は,高精度ガラス箱学習法である説明可能なブースティングマシン(ebm)を用いて,リスク要因の予測と同定を行う。
我々は外部検証を行い,ebmモデルの広範なロバスト性解析を行う。
EBMは、ディープニューラルネットワークやランダムフォレストなどの他のブラックボックスML手法の精度と、より解釈可能なロジスティック回帰よりも優れている。
EBMは堅牢である。
EBMモデルの解釈性は、リスクに寄与する特徴(例えば、母性身長は肩ジストシアの2番目に重要な特徴)に対する驚くべき洞察を示し、妊娠中の重篤な合併症の予測と予防に臨床応用の可能性を秘めている。
関連論文リスト
- Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval [61.70489848327436]
KAREは、知識グラフ(KG)コミュニティレベルの検索と大規模言語モデル(LLM)推論を統合する新しいフレームワークである。
MIMIC-IIIでは最大10.8～15.0%、MIMIC-IVでは12.6～12.7%である。
論文 参考訳（メタデータ） (2024-10-06T18:46:28Z) - SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
セプシスは米国での院内死亡の主な原因である。
既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。
限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-07-24T04:47:36Z) - I-SIRch: AI-Powered Concept Annotation Tool For Equitable Extraction And Analysis Of Safety Insights From Maternity Investigations [0.8609957371651683]
医療データを分析するための現在のツールのほとんどは、人間の要素の重要性を見越して、バイオメディカルな概念にのみ焦点をあてている。
We developed I-SIRch, using AI to Automatic Identification and label human factors concept。
I-SIRchは実データを用いて訓練され、実データとシミュレーションデータの両方でテストし、人間の因子の概念を識別する性能を評価した。
論文 参考訳（メタデータ） (2024-06-08T16:05:31Z) - Towards an educational tool for supporting neonatologists in the
delivery room [0.26999000177990923]
本稿では,リスク要因と実際のデータから発生イベントに与える影響を識別する機械学習手法を提案する。
我々の最終目標は、高リスク患者に対する適切な介入の認識率と計画を改善することができる、ユーザフレンドリーなモバイルアプリを設計することです。
論文 参考訳（メタデータ） (2024-03-11T16:03:21Z) - Interpretable Survival Analysis for Heart Failure Risk Prediction [50.64739292687567]
現状の生存モデルと解釈可能かつ競合する新しい生存分析パイプラインを提案する。
我々のパイプラインは最先端のパフォーマンスを達成し、心不全のリスク要因に関する興味深い新しい洞察を提供する。
論文 参考訳（メタデータ） (2023-10-24T02:56:05Z) - Unveiling the Unborn: Advancing Fetal Health Classification through Machine Learning [0.0]
本研究では,胎児の健康分類のための新しい機械学習手法を提案する。
提案したモデルでは、テストセットで98.31%の精度が得られる。
複数のデータポイントを組み込むことで、我々のモデルはより包括的で信頼性の高い評価を提供する。
論文 参考訳（メタデータ） (2023-09-30T22:02:51Z) - Closing the Gap in High-Risk Pregnancy Care Using Machine Learning and Human-AI Collaboration [8.36613277875556]
高リスク妊娠(英: High-risk pregnant)は、母親や乳児の結果に悪影響を及ぼす要因によって複雑な妊娠である。
本研究は、合併症のリスクがある妊婦の特定において、ケアマネージャを支援するための現実のMLベースのシステムの実装を提案する。
論文 参考訳（メタデータ） (2023-05-26T21:08:49Z) - Predicting Adverse Neonatal Outcomes for Preterm Neonates with
Multi-Task Learning [51.487856868285995]
われわれはまず, 3つの不良新生児結果の相関関係を解析し, マルチタスク学習(MTL)問題として複数の新生児結果の診断を定式化する。
特に、MTLフレームワークは、共有された隠れレイヤと複数のタスク固有のブランチを含んでいる。
論文 参考訳（メタデータ） (2023-03-28T00:44:06Z) - Using Interpretable Machine Learning to Predict Maternal and Fetal
Outcomes [9.705885698264005]
ガラス箱モデルである Explainable Boosting Machine (EBM) を用いて, 最も重要なリスク要因を特定し, 検討した。
EBMの解釈可能性を用いて、リスクに寄与する特徴に関する驚くべき洞察を明らかにする一方で、我々の実験は、EBMが他のブラックボックスML手法の精度と一致することを示した。
論文 参考訳（メタデータ） (2022-07-12T05:32:26Z) - 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) - A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。
また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
論文 参考訳（メタデータ） (2020-06-08T19:24:54Z)
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。