論文の概要: Analysis and Mortality Prediction using Multiclass Classification for Older Adults with Type 2 Diabetes

• arxiv url: http://arxiv.org/abs/2402.10999v1
• Date: Fri, 16 Feb 2024 16:47:48 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-21 00:01:47.639932
• Title: Analysis and Mortality Prediction using Multiclass Classification for Older Adults with Type 2 Diabetes
• Title（参考訳）: 高齢者2型糖尿病のマルチクラス分類による解析と死亡予測
• Authors: Ruchika Desure, Gutha Jaya Krishna
• Abstract要約: 2型糖尿病(T2DM)の高齢者は早期死亡や低血糖を経験する傾向にある。 構造化データセットには、65歳以上の米軍退役軍人275,190人の死亡率予測器が68個ある。
• 参考スコア（独自算出の注目度）: 2.61072980439312
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Designing proper treatment plans to manage diabetes requires health practitioners to pay heed to the individuals remaining life along with the comorbidities affecting them. Older adults with Type 2 Diabetes Mellitus (T2DM) are prone to experience premature death or even hypoglycaemia. The structured dataset utilized has 68 potential mortality predictors for 275,190 diabetic U.S. military Veterans aged 65 years or older. A new target variable is invented by combining the two original target variables. Outliers are handled by discretizing the continuous variables. Categorical variables have been dummy encoded. Class balancing is achieved by random under-sampling. A benchmark regression model is built using Multinomial Logistic Regression with LASSO. Chi-Squared and Information Gain are the filter-based feature selection techniques utilized. Classifiers such as Multinomial Logistic Regression, Random Forest, Extreme Gradient Boosting (XGBoost), and One-vs-Rest classifier are employed to build various models. Contrary to expectations, all the models have constantly underperformed. XGBoost has given the highest accuracy of 53.03 percent with Chi-Squared feature selection. All the models have consistently shown an acceptable performance for Class 3 (remaining life is more than 10 years), significantly low for Class 1 (remaining life is up to 5 years), and the worst for Class 2 (remaining life is more than 5 but up to 10 years). Features analysis has deduced that almost all input variables are associated with multiple target classes. The high dimensionality of the input data after dummy encoding seems to have confused the models, leading to misclassifications. The approach taken in this study is ineffective in producing a high-performing predictive model but lays a foundation as this problem has never been viewed from a multiclass classification perspective.
• Abstract（参考訳）: 糖尿病を管理するための適切な治療計画を設計するには、医療従事者が生活の残る個人に注意を払う必要がある。 2型糖尿病(T2DM)の高齢者は早期死亡や低血糖を経験する傾向にある。 利用された構造化データセットは、65歳以上の米軍退役軍人275,190人の死亡率予測器を68個備えている。 2つの元のターゲット変数を組み合わせることで、新しいターゲット変数が発明される。 外乱は連続変数の離散化によって処理される。 分類変数はダミー符号化されている。 クラスバランスはランダムアンダーサンプリングによって達成される。 ベンチマーク回帰モデルは、LASSOを用いたマルチノミカルロジスティック回帰を用いて構築される。 Chi-SquaredとInformation Gainはフィルタベースの特徴選択技術である。 Multinomial Logistic Regression、Random Forest、Extreme Gradient Boosting (XGBoost)、One-vs-Restといった分類器が様々なモデルを構築するために使われている。 予想に反して、すべてのモデルは常に性能が劣っている。 XGBoostは、Chi-Squaredの機能選択で最高53.03%の精度を与えている。 全てのモデルは、一貫してクラス3(残留寿命は10年以上)、クラス1(残留寿命は5年)、クラス2(残留寿命は5年以上、最大寿命は10年)の許容性能を示している。 特徴分析は、ほとんど全ての入力変数が複数のターゲットクラスに関連付けられていることを推測している。 ダミー符号化後の入力データの高次元はモデルを混乱させ、誤分類を招いたようである。 本研究のアプローチは, 高い性能の予測モデルを作成するには有効ではないが, マルチクラス分類の観点から見たことがないため, 基礎となっている。

関連論文リスト

• Model Inversion Attacks Through Target-Specific Conditional Diffusion Models [54.69008212790426]
  モデル反転攻撃(MIA)は、ターゲット分類器のトレーニングセットからプライベートイメージを再構築することを目的としており、それによってAIアプリケーションにおけるプライバシー上の懸念が高まる。 従来のGANベースのMIAは、GANの固有の欠陥と潜伏空間における最適化の偏りにより、劣った遺伝子的忠実度に悩まされる傾向にある。 これらの問題を緩和するために拡散モデル反転(Diff-MI)攻撃を提案する。
  論文  参考訳（メタデータ） (2024-07-16T06:38:49Z)
• First Experiences with the Identification of People at Risk for Diabetes in Argentina using Machine Learning Techniques [0.27488316163114823]
  本稿では,アルゼンチンにおけるT2DとPDのリスクのある人を特定するための予測モデルの開発と評価について述べる。 その結果,これらのモデルを用いた2つのデータセットに対して,非常に良好な性能が得られた。
  論文  参考訳（メタデータ） (2024-03-27T14:38:02Z)
• Automatic hip osteoarthritis grading with uncertainty estimation from computed tomography using digitally-reconstructed radiographs [5.910133714106733]
  変形性股関節症(Hip OA)の重症度はCroweおよびKellgren-Lawrence分類を用いて分類されることが多い。 ディープ・ラーニング・モデルは2つのグレーティング・スキームを用いて病気の成績を予測するために訓練された。 モデルの精度は約0.65(ECA)と0.95(ONCA)である。
  論文  参考訳（メタデータ） (2023-12-30T07:28:56Z)
• RanPAC: Random Projections and Pre-trained Models for Continual Learning [59.07316955610658]
  継続学習(CL)は、古いタスクを忘れずに、非定常データストリームで異なるタスク(分類など)を学習することを目的としている。 本稿では,事前学習モデルを用いたCLの簡潔かつ効果的なアプローチを提案する。
  論文  参考訳（メタデータ） (2023-07-05T12:49:02Z)
• Continual Learning with Bayesian Model based on a Fixed Pre-trained Feature Extractor [55.9023096444383]
  現在のディープラーニングモデルは、新しいクラスを学ぶ際に古い知識を破滅的に忘れることによって特徴づけられる。 人間の脳における新しい知識の学習プロセスに着想を得て,連続学習のためのベイズ生成モデルを提案する。
  論文  参考訳（メタデータ） (2022-04-28T08:41:51Z)
• The Severity Prediction of The Binary And Multi-Class Cardiovascular Disease -- A Machine Learning-Based Fusion Approach [0.0]
  近年、CVD(心臓血管疾患)が世界中で死因となっている。 本研究はCVDの重症度とともに診断するためにいくつかの融合モデルを構築したものである。 マルチクラス分類の精度が最も高かったのは75%であり,2進法では95%であった。
  論文  参考訳（メタデータ） (2022-03-09T18:06:24Z)
• X-model: Improving Data Efficiency in Deep Learning with A Minimax Model [78.55482897452417]
  ディープラーニングにおける分類と回帰設定の両面でのデータ効率の向上を目標とする。 両世界の力を生かすために,我々は新しいX-モデルを提案する。 X-モデルは、特徴抽出器とタスク固有のヘッドの間でミニマックスゲームを行う。
  論文  参考訳（メタデータ） (2021-10-09T13:56:48Z)
• Two-step penalised logistic regression for multi-omic data with an application to cardiometabolic syndrome [62.997667081978825]
  我々は,各層で変数選択を行うマルチオミックロジスティック回帰に対する2段階のアプローチを実装した。 私たちのアプローチは、可能な限り多くの関連する予測子を選択することを目標とすべきです。 提案手法により,分子レベルでの心筋メタボリックシンドロームの特徴を同定することができる。
  論文  参考訳（メタデータ） (2020-08-01T10:36:27Z)
• GLYFE: Review and Benchmark of Personalized Glucose Predictive Models in Type-1 Diabetes [4.17510581764131]
  GLYFEは機械学習に基づくグルコース予測モデルのベンチマークである。 ブドウ糖沈降の文献から得られた9つの異なるモデルの結果を報告する。
  論文  参考訳（メタデータ） (2020-06-29T11:34:41Z)
• 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)
• Large-scale benchmark study of survival prediction methods using multi-omics data [2.204918347869259]
  生存時間などの疾患結果の予測には,マルチオミクスデータの有用性が疑問視されている。 我々は,実データを用いた大規模ベンチマーク研究により,いくつかの回答を提供することを目指している。
  論文  参考訳（メタデータ） (2020-03-07T18:03:17Z)

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。