論文の概要: Detection of the most influential variables for preventing postpartum urinary incontinence using machine learning techniques

• arxiv url: http://arxiv.org/abs/2402.09498v1
• Date: Wed, 14 Feb 2024 16:45:10 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-16 18:15:30.604956
• Title: Detection of the most influential variables for preventing postpartum urinary incontinence using machine learning techniques
• Title（参考訳）: 機械学習による産後尿失禁予防のための最も影響のある変数の検出
• Authors: Jos\'e Alberto Ben\'itez-Andrades, Mar\'ia Teresa Garc\'ia-Ord\'as, Mar\'ia \'Alvarez-Gonz\'alez, Raquel Leir\'os-Rodr\'iguez and Ana F L\'opez Rodr\'iguez
• Abstract要約: 産後尿失禁(PUI)は産後女性に共通する問題である。 以前の研究では、潜在的な関連変数が特定されていたが、妊娠中の特定の内因性および外因性患者変数の分析が欠如していた。 本研究は,機械学習を用いてPUIの最も影響力のある変数を評価することを目的とする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Background: Postpartum urinary incontinence (PUI) is a common issue among postnatal women. Previous studies identified potential related variables, but lacked analysis on certain intrinsic and extrinsic patient variables during pregnancy. Objective: The study aims to evaluate the most influential variables in PUI using machine learning, focusing on intrinsic, extrinsic, and combined variable groups. Methods: Data from 93 pregnant women were analyzed using machine learning and oversampling techniques. Four key variables were predicted: occurrence, frequency, intensity of urinary incontinence, and stress urinary incontinence. Results: Models using extrinsic variables were most accurate, with 70% accuracy for urinary incontinence, 77% for frequency, 71% for intensity, and 93% for stress urinary incontinence. Conclusions: The study highlights extrinsic variables as significant predictors of PUI issues. This suggests that PUI prevention might be achievable through healthy habits during pregnancy, although further research is needed for confirmation.
• Abstract（参考訳）: 背景: 産後尿失禁(PUI)は産後女性に共通する問題である。 以前の研究では、潜在的な関連変数が特定されていたが、妊娠中の特定の内因性および外因性患者変数の分析が欠如していた。 目的:本研究の目的は,本質的,外生的,複合的な変数群に着目し,機械学習を用いてPUIの最も影響力のある変数を評価することである。 方法: 93名の妊婦のデータを機械学習とオーバーサンプリング技術を用いて分析した。 尿失禁の発生,頻度,尿失禁の強度,ストレス尿失禁の4変数が予測された。 結果: 尿失禁は70%, 頻度は77%, 強度は71%, ストレス尿失禁は93%であった。 結論:本研究は、外部変数をPUI問題の重要な予測因子として強調する。 これは、妊娠中の健康な習慣を通じてPUI予防が達成可能であることを示唆している。

関連論文リスト

• Testing Causal Explanations: A Case Study for Understanding the Effect of Interventions on Chronic Kidney Disease [1.2449538970962482]
  我々は大規模な電子健康記録データセットを用いた方法論を開発した。 回帰不連続性の原理は、専門家主導の介入をテストするためにランダム化されたデータサブセットを導出するために用いられた。 この方法論は、実際のEHRデータを用いて、人口レベルの洞察を提供し、医療提供の改善を知らせる方法を示している。
  論文  参考訳（メタデータ） (2024-10-15T20:34:36Z)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• Impact of Physical Activity on Quality of Life During Pregnancy: A Causal ML Approach [1.7765306045990206]
  QoL(Quality of Life、QoL)とは、個人の幸福を総合的に測定し、心理的・社会的側面を取り入れた概念である。 妊娠中の女性、特に肥満とストレスを持つ女性は、しばしばQoLの低下を経験する。 身体活動はQoLを増強する可能性を示している。 しかし、肥満で肥満の妊婦は、PAの推奨レベルに達することはめったにない。
  論文  参考訳（メタデータ） (2024-02-25T12:07:32Z)
• A Causal Framework for Decomposing Spurious Variations [68.12191782657437]
  我々はマルコフモデルとセミマルコフモデルの急激な変分を分解するツールを開発する。 突発効果の非パラメトリック分解を可能にする最初の結果を証明する。 説明可能なAIや公平なAIから、疫学や医学における疑問まで、いくつかの応用がある。
  論文  参考訳（メタデータ） (2023-06-08T09:40:28Z)
• Causal Discovery with Stage Variables for Health Time Series [3.0712335337791288]
  Causal Discovery with Stage Variables (CDSV)は、ステージ変数を使用して複数の時系列からのデータを重み付けし、ステージ毎に異なる因果関係を説明できる。 シミュレーションデータでは、CDSVはベースラインに比べて偽の発見が少なく、eICUではベースラインよりもFDRが低く、MIMIC-IIIでは高血圧の臨床的に関係のある原因を発見できる。
  論文  参考訳（メタデータ） (2023-05-05T16:30:28Z)
• 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)
• Mixed Effects Random Forests for Personalised Predictions of Clinical Depression Severity [2.6572038957677657]
  本研究は,マルチモーダルな生理・デジタル活動データを用いて,無作為な森林がうつ病の重症度を正確に予測する方法を実証する。 臨床うつ病評価尺度(S_17)では,無作為林の混合効果が,標準ランダム林と個人平均ベースラインを上回っていることが示されている。 モデルパラメータをデータセット内の個人にパーソナライズする混合効果ランダムフォレストの有効性により,この結果が向上することが示唆された。
  論文  参考訳（メタデータ） (2023-01-24T04:50:55Z)
• Why Interpretable Causal Inference is Important for High-Stakes Decision Making for Critically Ill Patients and How To Do It [80.24494623756839]
  重症心身障害患者に対する因果関係評価のための枠組みを提案する。 この枠組みは、脳の発作やその他の潜在的に有害な電気的事象が結果に与える影響に適用する。
  論文  参考訳（メタデータ） (2022-03-09T18:03:35Z)
• SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event Data [83.50281440043241]
  時系列データから不均一な処理効果を推定する問題について検討する。 本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-10-26T20:13:17Z)
• Obtaining Causal Information by Merging Datasets with MAXENT [12.64433334351049]
  我々は,すべての変数を共同で観察することなく,因果的知識の獲得方法について論じる。 共同創設者の存在下での対象変数に対する治療の介入分布と平均因果効果の限界を導出する。
  論文  参考訳（メタデータ） (2021-07-15T23:16:36Z)
• HINT: Hierarchical Interaction Network for Trial Outcome Prediction Leveraging Web Data [56.53715632642495]
  臨床試験は、有効性、安全性、または患者採用の問題により、不確実な結果に直面する。 本稿では,より一般的な臨床試験結果予測のための階層型Interaction Network(HINT)を提案する。
  論文  参考訳（メタデータ） (2021-02-08T15:09:07Z)

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。