論文の概要: Developing a Novel Holistic, Personalized Dementia Risk Prediction Model via Integration of Machine Learning and Network Systems Biology Approaches

• arxiv url: http://arxiv.org/abs/2311.09229v2
• Date: Wed, 10 Jan 2024 21:08:59 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-13 03:07:09.421919
• Title: Developing a Novel Holistic, Personalized Dementia Risk Prediction Model via Integration of Machine Learning and Network Systems Biology Approaches
• Title（参考訳）: 機械学習とネットワークシステム生物学のアプローチの統合による認知症リスク予測モデルの開発
• Authors: Srilekha Mamidala
• Abstract要約: 提案手法は認知症リスク予測のための新しい全体論的アプローチを利用する。 環境汚染やライフスタイルの要因データをネットワークシステムに基づく遺伝データに組み込むのはこれが初めてである。 本モデルでは, 全身性認知症リスク予測を臨床応用に応用した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The prevalence of dementia has increased over time as global life expectancy improves and populations age. An individual's risk of developing dementia is influenced by various genetic, lifestyle, and environmental factors, among others. Predicting dementia risk may enable individuals to employ mitigation strategies or lifestyle changes to delay dementia onset. Current computational approaches to dementia prediction only return risk upon narrow categories of variables and do not account for interactions between different risk variables. The proposed framework utilizes a novel holistic approach to dementia risk prediction and is the first to incorporate various sources of tabular environmental pollution and lifestyle factor data with network systems biology-based genetic data. LightGBM gradient boosting was employed to ensure validity of included factors. This approach successfully models interactions between variables through an original weighted integration method coined Sysable. Multiple machine learning models trained the algorithm to reduce reliance on a single model. The developed approach surpassed all existing dementia risk prediction approaches, with a sensitivity of 85%, specificity of 99%, geometric accuracy of 92%, and AUROC of 91.7%. A transfer learning model was implemented as well. De-biasing algorithms were run on the model via the AI Fairness 360 Library. Effects of demographic disparities on dementia prevalence were analyzed to potentially highlight areas in need and promote equitable and accessible care. The resulting model was additionally integrated into a user-friendly app providing holistic predictions and personalized risk mitigation strategies. The developed model successfully employs holistic computational dementia risk prediction for clinical use.
• Abstract（参考訳）: 認知症は、世界平均寿命が向上し人口が高齢化するにつれて、時間とともに増加している。 認知症を発症する個人のリスクは、様々な遺伝的、ライフスタイル、環境要因などに影響される。 認知症のリスクを予測することで、個人は認知症の発症を遅らせるために緩和戦略やライフスタイルの変化を適用できる。 現在の認知症予測の計算手法は、変数の狭いカテゴリでのみリスクを返し、異なるリスク変数間の相互作用を考慮しない。 提案フレームワークは,認知症リスク予測に新たな全体論的アプローチを採用し,各種の表層環境汚染データとライフスタイル因子データをネットワークシステムに基づく遺伝的データに組み込んだ最初のものである。 包含因子の有効性を確保するため,光GBM勾配促進法が用いられた。 このアプローチは、Sysableというオリジナルの重み付け積分法による変数間の相互作用のモデル化に成功した。 複数の機械学習モデルが1つのモデルへの依存を減らすためにアルゴリズムを訓練した。 開発されたアプローチは、既存の認知症リスク予測アプローチを85%の感度、99%の特異性、92%の幾何学的精度、91.7%のAUROCを上回りました。 転送学習モデルも実装された。 デバイアスアルゴリズムはAI Fairness 360 Libraryを通じてモデル上で実行された。 認知症の有病率に及ぼす人口格差の影響を分析した結果, 必要な地域に注目し, 公平かつアクセス可能なケアを促進できる可能性が示唆された。 結果として得られたモデルは、総合的な予測とパーソナライズされたリスク緩和戦略を提供するユーザーフレンドリーなアプリに統合された。 本モデルでは, 総合的計算認知症リスク予測を臨床応用に有効活用した。

関連論文リスト

• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• 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)
• Neural Fine-Gray: Monotonic neural networks for competing risks [0.0]
  生存分析として知られる時間対イベントモデリングは、関心のある出来事を経験していない患者の検閲に対処するため、標準回帰とは異なる。 本稿では、制約付きモノトニックニューラルネットワークを用いて、各サバイバル分布をモデル化する。 このソリューションの有効性は、1つの合成データセットと3つの医療データセットで示される。
  論文  参考訳（メタデータ） (2023-05-11T10:27:59Z)
• Deep Learning of Semi-Competing Risk Data via a New Neural Expectation-Maximization Algorithm [5.253100011321437]
  私たちのモチベーションはボストン肺がん研究(Boston Lung Cancer Study)から来ています。 本稿では,古典的統計的アプローチと機械学習のギャップを埋めるために,ニューラル予測最大化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-12-22T20:38:57Z)
• Data-Centric Epidemic Forecasting: A Survey [56.99209141838794]
  この調査は、様々なデータ駆動の方法論および実践的進歩を掘り下げるものである。 疫学的なデータセットと,流行予測に関連する新しいデータストリームを列挙する。 また,これらの予測システムの現実的な展開において生じる経験や課題についても論じる。
  論文  参考訳（メタデータ） (2022-07-19T16:15:11Z)
• A New Approach for Interpretability and Reliability in Clinical Risk Prediction: Acute Coronary Syndrome Scenario [0.33927193323747895]
  我々は、リスクスコアと機械学習モデルの両方の最高の特徴を組み合わせた、新たなリスクアセスメント方法論を作成するつもりです。 提案手法は、標準LRと同一の試験結果を得たが、より優れた解釈性とパーソナライゼーションを提供する。 個人予測の信頼性推定は誤分類率と大きな相関を示した。
  論文  参考訳（メタデータ） (2021-10-15T19:33:46Z)
• 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)
• An explainable Transformer-based deep learning model for the prediction of incident heart failure [22.513476932615845]
  100,071例の心不全予後予測のための新しいTransformerディープラーニングモデルを開発した。 このモデルは、レシーバーオペレーター曲線で 0.93 と 0.93 の領域、精度-リコール曲線で 0.69 と 0.70 の領域を達成した。 文脈化医療情報の重要さは感度分析において明らかにされた。
  論文  参考訳（メタデータ） (2021-01-27T12:45:15Z)
• 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)
• Neuro-symbolic Neurodegenerative Disease Modeling as Probabilistic Programmed Deep Kernels [93.58854458951431]
  本稿では、神経変性疾患のパーソナライズされた予測モデリングのための、確率的プログラムによる深層カーネル学習手法を提案する。 我々の分析は、ニューラルネットワークとシンボリック機械学習のアプローチのスペクトルを考慮する。 我々は、アルツハイマー病の予測問題について評価を行い、深層学習を超越した結果を得た。
  論文  参考訳（メタデータ） (2020-09-16T15:16:03Z)

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。