論文の概要: Application of Machine Learning Algorithms in Classifying Postoperative Success in Metabolic Bariatric Surgery: A Comprehensive Study

• arxiv url: http://arxiv.org/abs/2403.20124v1
• Date: Fri, 29 Mar 2024 11:27:37 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-01 15:54:04.656406
• Title: Application of Machine Learning Algorithms in Classifying Postoperative Success in Metabolic Bariatric Surgery: A Comprehensive Study
• Title（参考訳）: 代謝性脳血管外科手術における術後成功の分類における機械学習アルゴリズムの応用 : 総合的研究
• Authors: José Alberto Benítez-Andrades, Camino Prada-García, Rubén García-Fernández, María D. Ballesteros-Pomar, María-Inmaculada González-Alonso, Antonio Serrano-García,
• Abstract要約: 本研究は, メタボリック・バリウム手術の文脈において, 患者を分類するための新しい機械学習手法を提案する。 GaussianNB、ComplementNB、KNN、Decision Tree、RandomOverSamplerのKNN、SMOTEのKNNなど、さまざまな機械学習モデルを73人のデータセットに適用した。
• 参考スコア（独自算出の注目度）: 0.32985979395737786
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Objectives: Metabolic Bariatric Surgery (MBS) is a critical intervention for patients living with obesity and related health issues. Accurate classification and prediction of patient outcomes are vital for optimizing treatment strategies. This study presents a novel machine learning approach to classify patients in the context of metabolic bariatric surgery, providing insights into the efficacy of different models and variable types. Methods: Various machine learning models, including GaussianNB, ComplementNB, KNN, Decision Tree, KNN with RandomOverSampler, and KNN with SMOTE, were applied to a dataset of 73 patients. The dataset, comprising psychometric, socioeconomic, and analytical variables, was analyzed to determine the most efficient predictive model. The study also explored the impact of different variable groupings and oversampling techniques. Results: Experimental results indicate average accuracy values as high as 66.7% for the best model. Enhanced versions of KNN and Decision Tree, along with variations of KNN such as RandomOverSampler and SMOTE, yielded the best results. Conclusions: The study unveils a promising avenue for classifying patients in the realm of metabolic bariatric surgery. The results underscore the importance of selecting appropriate variables and employing diverse approaches to achieve optimal performance. The developed system holds potential as a tool to assist healthcare professionals in decision-making, thereby enhancing metabolic bariatric surgery outcomes. These findings lay the groundwork for future collaboration between hospitals and healthcare entities to improve patient care through the utilization of machine learning algorithms. Moreover, the findings suggest room for improvement, potentially achievable with a larger dataset and careful parameter tuning.
• Abstract（参考訳）: 目的: 代謝性脳血管外科(MBS)は肥満と関連する健康問題を持つ患者に対する重要な介入である。 患者結果の正確な分類と予測は治療戦略の最適化に不可欠である。 本研究は, メタボリック・バリアント手術の文脈で患者を分類し, 異なるモデルと可変型の有効性について考察する。 方法: 73例のデータセットに対して, GaussianNB, ComplementNB, KNN, Decision Tree, RandomOverSamplerを用いたKNN, SMOTEを用いたKNNなどの機械学習モデルを適用した。 このデータセットは,心理学的,社会経済的,分析的変数から構成され,最も効率的な予測モデルを決定するために分析された。 この研究はまた、異なる可変グルーピングとオーバーサンプリング技術の影響についても検討した。 結果: 実験結果から, 最高のモデルでは平均精度が66.7%であった。 KNNとDecision Treeの強化されたバージョンは、RandomOverSamplerやSMOTEといったKNNのバリエーションとともに、最高の結果を得た。 結論: 本研究は, 代謝性肺外科領域で患者を分類するための, 有望な方法を明らかにする。 結果は、適切な変数を選択し、最適な性能を達成するために様々なアプローチを採用することの重要性を浮き彫りにした。 本システムは, 医療従事者の意思決定を支援するツールとしての可能性を持ち, メタボリックバリウム手術の結果の増大を図っている。 これらの知見は,機械学習アルゴリズムを活用した医療改善のための病院と医療機関の今後の連携の土台となった。 さらに、この結果から、より大きなデータセットと慎重なパラメータチューニングで達成可能な改善の余地が示唆されている。

関連論文リスト

• Enhanced Prediction of Ventilator-Associated Pneumonia in Patients with Traumatic Brain Injury Using Advanced Machine Learning Techniques [0.0]
  外傷性脳損傷(TBI)患者の呼吸器関連肺炎(VAP)は重大な死亡リスクをもたらす。 TBI患者のVAPのタイムリーな検出と予後は、患者の予後を改善し、医療資源の負担を軽減するために重要である。 我々はMIMIC-IIIデータベースを用いて6つの機械学習モデルを実装した。
  論文  参考訳（メタデータ） (2024-08-02T09:44:18Z)
• Two new feature selection methods based on learn-heuristic techniques for breast cancer prediction: A comprehensive analysis [6.796017024594715]
  帝国主義競争アルゴリズム(ICA)とバットアルゴリズム(BA)に基づく2つの新しい特徴選択法を提案する。 本研究は, 診断モデルの効率を向上し, 臨床医師がこれまでよりもはるかに正確かつ信頼性の高い意思決定を行えるよう包括的分析を行うことを目的とする。
  論文  参考訳（メタデータ） (2024-07-19T19:07:53Z)
• Dataset Optimization for Chronic Disease Prediction with Bio-Inspired Feature Selection [0.32634122554913997]
  本研究は慢性疾患領域における予測分析の進歩に寄与する。 この研究の潜在的影響は、早期介入、精密医療、そして患者の成果の改善にまで及んでいる。
  論文  参考訳（メタデータ） (2023-12-17T18:18:34Z)
• Prediction of Post-Operative Renal and Pulmonary Complications Using Transformers [69.81176740997175]
  術後急性腎不全,肺合併症,院内死亡の予測におけるトランスフォーマーモデルの有用性について検討した。 以上の結果から,トランスフォーマーモデルにより術後合併症の予測や従来の機械学習モデルよりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2023-06-01T14:08:05Z)
• Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
  治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。 ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。 我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
  論文  参考訳（メタデータ） (2022-06-16T17:59:05Z)
• Towards Trustworthy Cross-patient Model Development [3.109478324371548]
  本研究は,全ての患者と1人の患者を対象に訓練を行った際のモデル性能と説明可能性の差異について検討した。 以上の結果から,患者の人口動態は,パフォーマンスや説明可能性,信頼性に大きな影響を及ぼすことが明らかとなった。
  論文  参考訳（メタデータ） (2021-12-20T10:51:04Z)
• On the explainability of hospitalization prediction on a large COVID-19 patient dataset [45.82374977939355]
  我々は、新型コロナウイルス陽性の米国の患者の大規模な(110ドル以上)コホートでの入院を予測するために、さまざまなAIモデルを開発した。 高いデータアンバランスにもかかわらず、モデルは平均精度0.96-0.98 (0.75-0.85)、リコール0.96-0.98 (0.74-0.85)、F_score097-0.98 (0.79-0.83)に達する。
  論文  参考訳（メタデータ） (2021-10-28T10:23:38Z)
• 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)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)
• Dynamic Predictions of Postoperative Complications from Explainable, Uncertainty-Aware, and Multi-Task Deep Neural Networks [1.7548541038532495]
  マルチタスク深層学習モデルは術後合併症の予測においてランダム森林モデルより優れている。 統合的解釈可能性のメカニズムは それぞれの合併症に対して 潜在的に修飾可能な危険因子を同定した モンテカルロのドロップアウト法は、臨床信頼を高める可能性がある予測の不確実性の定量的尺度を提供した。
  論文  参考訳（メタデータ） (2020-04-27T02:32:32Z)

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。