論文の概要: Establishing Central Sensitization Inventory Cut-off Values in patients
with Chronic Low Back Pain by Unsupervised Machine Learning
- arxiv url: http://arxiv.org/abs/2311.11862v1
- Date: Mon, 20 Nov 2023 15:57:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-21 18:16:43.009921
- Title: Establishing Central Sensitization Inventory Cut-off Values in patients
with Chronic Low Back Pain by Unsupervised Machine Learning
- Title（参考訳）: 非教師型機械学習による慢性腰痛患者の中枢性感作インベントリ遮断値の確立
- Authors: Xiaoping Zheng, Claudine JC Lamoth, Hans Timmerman, Ebert Otten,
Michiel F Reneman
- Abstract要約: 本研究の目的は,オランダ語話者における慢性腰痛(CLBP)のカットオフ値を決定することである。
調査データと性別に基づいて,HACS関連クラスタを同定するために,4つのクラスタリング手法を適用した。
CLBPの最適カットオフ値は35。
- 参考スコア（独自算出の注目度）: 2.0843870970746567
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Human Assumed Central Sensitization is involved in the development and
maintenance of chronic low back pain (CLBP). The Central Sensitization
Inventory (CSI) was developed to evaluate the presence of HACS, with a cut-off
value of 40/100 based on patients with chronic pain. However, various factors
including pain conditions (e.g., CLBP), and gender may influence this cut-off
value. For chronic pain condition such as CLBP, unsupervised clustering
approaches can take these factors into consideration and automatically learn
the HACS-related patterns. Therefore, this study aimed to determine the cut-off
values for a Dutch-speaking population with CLBP, considering the total group
and stratified by gender based on unsupervised machine learning. In this study,
questionnaire data covering pain, physical, and psychological aspects were
collected from patients with CLBP and aged-matched pain-free adults (referred
to as healthy controls, HC). Four clustering approaches were applied to
identify HACS-related clusters based on the questionnaire data and gender. The
clustering performance was assessed using internal and external indicators.
Subsequently, receiver operating characteristic analysis was conducted on the
best clustering results to determine the optimal cut-off values. The study
included 151 subjects, consisting of 63 HCs and 88 patients with CLBP.
Hierarchical clustering yielded the best results, identifying three clusters:
healthy group, CLBP with low HACS level, and CLBP with high HACS level groups.
Based on the low HACS levels group (including HC and CLBP with low HACS level)
and high HACS level group, the cut-off value for the overall groups were 35, 34
for females, and 35 for. The findings suggest that the optimal cut-off values
for CLBP is 35. The gender-related cut-off values should be interpreted with
caution due to the unbalanced gender distribution in the sample.
- Abstract（参考訳）: 慢性腰痛(CLBP)の発症と維持には,ヒトの感作が関与している。
中枢センシタイズインベントリ (csi) は, 慢性痛患者に対して40/100のカットオフ値でhacsの有無を評価するために開発された。
しかし、痛み状態(例えばclbp)や性別を含む様々な要因が、このカットオフ値に影響を与える可能性がある。
CLBPのような慢性的な痛みに対して、教師なしクラスタリングアプローチはこれらの要因を考慮に入れ、HACS関連パターンを自動的に学習することができる。
そこで本研究では,CLBPを用いたオランダ語話者のカットオフ値を決定することを目的とした。
本研究は,clbp患者と高齢の無痛者(健康管理,hc)から,痛み,身体的,心理的側面に関するアンケート調査データを収集した。
調査データと性別に基づいて,HACS関連クラスタを同定するために,4つのクラスタリング手法を適用した。
クラスタ化性能は内部および外部指標を用いて評価した。
その後,最適カットオフ値を決定するため,最適クラスタリング結果に基づいて受信機動作特性解析を行った。
対象は, HC63例, CLBP88例の151例であった。
階層的クラスタリングは,健常群,低HACS群CLBP,高HACS群CLBPの3つのクラスタを同定した。
低HACSレベル群(HCおよびCLBPを含む低HACSレベル群)と高HACSレベル群(高HACSレベル群)に基づいて、全体のカットオフ値は女性で35、女性で34、女性で35であった。
その結果,clbpの最適カットオフ値は35。
性別に関連したカットオフ値は、サンプル内の不均衡な性別分布のために注意して解釈されるべきである。
関連論文リスト
- Centralized and Federated Heart Disease Classification Models Using UCI Dataset and their Shapley-value Based Interpretability [0.7234862895932991]
本研究は,UCIデータセットを用いた心臓疾患分類のための機械学習アルゴリズムのベンチマークを行う。
様々なバイナリ分類アルゴリズムがプールデータに基づいて訓練されており、サポートベクターマシン(SVM)は83.3%の試験精度を達成している。
論文 参考訳（メタデータ） (2024-08-12T14:29:54Z) - Privacy-preserving patient clustering for personalized federated
learning [0.0]
Federated Learning(FL)は、複数の組織が中央サーバーとデータを共有せずにモデルをトレーニングできる機械学習フレームワークである。
これは、患者数の変動が病院間での分布の差異に大きく寄与する医療環境における問題である。
プライバシ保護のためのコミュニティベースフェデレーション機械学習(PCBFL)を提案する。
論文 参考訳（メタデータ） (2023-07-17T21:19:08Z) - Auditing Algorithmic Fairness in Machine Learning for Health with
Severity-Based LOGAN [70.76142503046782]
臨床予測タスクにおいて,局所バイアスを自動検出するSLOGANを用いて,機械学習ベースの医療ツールを補足することを提案する。
LOGANは、患者の重症度と過去の医療史における集団バイアス検出を文脈化することにより、既存のツールであるLOcal Group biAs detectioNに適応する。
SLOGANは, クラスタリング品質を維持しながら, 患者群の75%以上において, SLOGANよりも高い公平性を示す。
論文 参考訳（メタデータ） (2022-11-16T08:04:12Z) - Reinforcement Learning with Heterogeneous Data: Estimation and Inference [84.72174994749305]
人口の不均一性に関する逐次的決定問題に対処するために,K-ヘテロ・マルコフ決定過程(K-ヘテロ・MDP)を導入する。
本稿では、ある政策の価値を推定するための自己クラスタ化政策評価(ACPE)と、ある政策クラスにおける最適な政策を推定するための自己クラスタ化政策イテレーション(ACPI)を提案する。
理論的な知見を裏付けるシミュレーションを行い,MIMIC-III標準データセットの実証的研究を行った。
論文 参考訳（メタデータ） (2022-01-31T20:58:47Z) - A Study of Social and Behavioral Determinants of Health in Lung Cancer
Patients Using Transformers-based Natural Language Processing Models [23.68697811086486]
社会的および行動的健康決定因子(SBDoH)は、人々の健康を形作る上で重要な役割を担っている。
現在の電子カルテシステムにおける構造化SBDoH情報の欠如による臨床成績におけるSBDoH因子の検討は限られている。
したがって、自然言語処理(NLP)は、構造化されていない臨床テキストからそのような情報を抽出する鍵となる技術である。
論文 参考訳（メタデータ） (2021-08-10T22:11:31Z) - Automatic Cough Classification for Tuberculosis Screening in a
Real-World Environment [5.6663315405998365]
結核(tb)患者と他の肺疾患患者が発する発声音とを自動的に判別することが可能であることを示す第1報を報告する。
本実験は, TB患者16名, 呼吸器疾患患者33名, TB以外の患者33名を対象に, 実世界の診療所で得られたコークス記録のデータセットに基づいて行った。
以上の結果から, 音素の自動分類は, TBの低コストで展開可能なフロントラインスクリーニングの手段として有望であり, 開発途上国のTB負荷に大きく貢献すると考えられる。
論文 参考訳（メタデータ） (2021-03-23T15:03:52Z) - Deep learning-based COVID-19 pneumonia classification using chest CT
images: model generalizability [54.86482395312936]
深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。
我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。
複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
論文 参考訳（メタデータ） (2021-02-18T21:14:52Z) - DICE: Deep Significance Clustering for Outcome-Aware Stratification [9.634559881417077]
deep significance clustering(dice)は、"outcome-aware"階層化のための表現学習とクラスタリングを共同で行うためのフレームワークである。
DICEは、クラスタ間の結果分布の違いによって測定される、優れたパフォーマンスを持つ。
論文 参考訳（メタデータ） (2021-01-07T03:06:52Z) - Deep Semi-Supervised Embedded Clustering (DSEC) for Stratification of
Heart Failure Patients [50.48904066814385]
本研究では、深層半教師付き組込みクラスタリングを用いて、心不全のデータ駆動型患者サブグループを決定する。
ヘテロジニアスデータから得られた組込み空間から臨床関連クラスタを見出した。
提案アルゴリズムは、異なる結果を持つ患者の新たな未診断サブグループを見つけることができる。
論文 参考訳（メタデータ） (2020-12-24T12:56:46Z) - Temporal Phenotyping using Deep Predictive Clustering of Disease
Progression [97.88605060346455]
我々は、時系列データをクラスタリングするためのディープラーニングアプローチを開発し、各クラスタは、同様の将来的な結果を共有する患者から構成される。
2つの実世界のデータセットに対する実験により、我々のモデルは最先端のベンチマークよりも優れたクラスタリング性能が得られることが示された。
論文 参考訳（メタデータ） (2020-06-15T20:48:43Z) - Predictive Modeling of ICU Healthcare-Associated Infections from
Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling
Approach [55.41644538483948]
本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。
感染発生率の低減に向けた意思決定を支援することを目的とする。
論文 参考訳（メタデータ） (2020-05-07T16:13:12Z)
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。