論文の概要: AI-Driven Predictive Analytics Approach for Early Prognosis of Chronic Kidney Disease Using Ensemble Learning and Explainable AI
- arxiv url: http://arxiv.org/abs/2406.06728v1
- Date: Mon, 10 Jun 2024 18:46:14 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-12 20:25:28.289952
- Title: AI-Driven Predictive Analytics Approach for Early Prognosis of Chronic Kidney Disease Using Ensemble Learning and Explainable AI
- Title（参考訳）: エンサンブルラーニングと説明可能なAIを用いた慢性腎臓病早期予後のためのAI駆動予測分析アプローチ
- Authors: K M Tawsik Jawad, Anusha Verma, Fathi Amsaad,
- Abstract要約: 慢性腎臓病(英: chronic Kidney Disease、CKD)は、腎臓の構造と機能に大きな影響を及ぼし、最終的に腎不全を引き起こす異種性疾患である。
本研究の目的は、アンサンブル学習と説明可能なAIを用いて、早期予後とCKDの検出のための支配的特徴、特徴スコア、および値の可視化である。
- 参考スコア（独自算出の注目度）: 0.26217304977339473
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Chronic Kidney Disease (CKD) is one of the widespread Chronic diseases with no known ultimo cure and high morbidity. Research demonstrates that progressive Chronic Kidney Disease (CKD) is a heterogeneous disorder that significantly impacts kidney structure and functions, eventually leading to kidney failure. With the progression of time, chronic kidney disease has moved from a life-threatening disease affecting few people to a common disorder of varying severity. The goal of this research is to visualize dominating features, feature scores, and values exhibited for early prognosis and detection of CKD using ensemble learning and explainable AI. For that, an AI-driven predictive analytics approach is proposed to aid clinical practitioners in prescribing lifestyle modifications for individual patients to reduce the rate of progression of this disease. Our dataset is collected on body vitals from individuals with CKD and healthy subjects to develop our proposed AI-driven solution accurately. In this regard, blood and urine test results are provided, and ensemble tree-based machine-learning models are applied to predict unseen cases of CKD. Our research findings are validated after lengthy consultations with nephrologists. Our experiments and interpretation results are compared with existing explainable AI applications in various healthcare domains, including CKD. The comparison shows that our developed AI models, particularly the Random Forest model, have identified more features as significant contributors than XgBoost. Interpretability (I), which measures the ratio of important to masked features, indicates that our XgBoost model achieved a higher score, specifically a Fidelity of 98\%, in this metric and naturally in the FII index compared to competing models.
- Abstract（参考訳）: 慢性腎臓病(英: chronic Kidney Disease, CKD)は、慢性疾患の1つである。
進行性慢性腎臓病(CKD)は、腎臓の構造と機能に大きな影響を及ぼし、最終的には腎不全を引き起こす異種性疾患である。
時間の経過とともに、慢性腎臓病は、少数の人に影響を及ぼす致命的な病気から、様々な重症度の共通の疾患へと移行してきた。
本研究の目的は、アンサンブル学習と説明可能なAIを用いて、早期予後とCKDの検出のための支配的特徴、特徴スコア、および値の可視化である。
そのため、AIによる予測分析手法が提案され、臨床医が個々の患者のライフスタイル修正を処方し、この疾患の進行率を低下させる。
我々のデータセットは、CKDおよび健康な被験者の身体のバイタルに基づいて収集され、提案したAI駆動ソリューションを正確に開発する。
この点に関して血液および尿検査結果を提供し、アンサンブルツリーに基づく機械学習モデルを適用し、CKDの未確認症例を予測する。
腎医との長期の相談の結果,本研究の妥当性が検証された。
我々の実験と解釈結果は、CKDを含む様々な医療分野の既存の説明可能なAIアプリケーションと比較される。
この比較は、私たちの開発したAIモデル、特にランダムフォレストモデルが、XgBoostよりも多くの機能を重要なコントリビュータとして特定したことを示している。
解析可能性 (I) は, 我々のXgBoostモデルが, この指標では98 %, FII 指数では競合モデルと比較して自然に高いスコアを得たことを示している。
関連論文リスト
- Integrated Machine Learning and Survival Analysis Modeling for Enhanced Chronic Kidney Disease Risk Stratification [0.0]
慢性腎疾患(CKD)は公衆衛生上の重要な課題であり、早期に発見・管理されていない場合、しばしばエンドステージ腎疾患(ESRD)へと進行する。
本稿では,機械学習技術と古典統計モデルを組み合わせて,CKDの進行をモデル化する手法を提案する。
論文 参考訳（メタデータ） (2024-11-16T09:22:06Z) - Effect of Clinical History on Predictive Model Performance for Renal Complications of Diabetes [1.4330510916280879]
糖尿病は糖尿病性腎症の発症リスクが高いという特徴を持つ慢性疾患である。
このような合併症やその悪化のリスクを高める個人を早期に同定することは、適切な治療方針を設定する上で非常に重要である。
糖尿病患者に対する臨床関連糸球体濾過率(eGFR)閾値の交差を予測・予測するロジスティック回帰モデルを開発した。
論文 参考訳（メタデータ） (2024-09-10T20:27:00Z) - A Survey of Artificial Intelligence in Gait-Based Neurodegenerative Disease Diagnosis [51.07114445705692]
神経変性疾患(神経変性疾患、ND)は、伝統的に医学的診断とモニタリングのために広範囲の医療資源と人的努力を必要とする。
重要な疾患関連運動症状として、ヒトの歩行を利用して異なるNDを特徴づけることができる。
人工知能(AI)モデルの現在の進歩は、NDの識別と分類のための自動歩行分析を可能にする。
論文 参考訳（メタデータ） (2024-05-21T06:44:40Z) - 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) - Deep Learning for Polycystic Kidney Disease: Utilizing Neural Networks
for Accurate and Early Detection through Gene Expression Analysis [0.0]
多嚢胞性腎臓病 (Polycystic Kidney Disease, PKD) は腎臓の嚢胞形成による致命的な合併症を引き起こす可能性がある。
本研究では,遺伝子解析による早期疾患検出にディープラーニングを用いたアプローチを活用することを目的とする。
論文 参考訳（メタデータ） (2023-09-06T14:22:24Z) - Automatic diagnosis of knee osteoarthritis severity using Swin
transformer [55.01037422579516]
変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。
我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
論文 参考訳（メタデータ） (2023-07-10T09:49:30Z) - SurvLatent ODE : A Neural ODE based time-to-event model with competing
risks for longitudinal data improves cancer-associated Deep Vein Thrombosis
(DVT) prediction [68.8204255655161]
本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。
そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。
SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
論文 参考訳（メタデータ） (2022-04-20T17:28:08Z) - An Explainable Classification Model for Chronic Kidney Disease Patients [0.0]
慢性腎臓病(CKD)は、世界的に増加し、医療システムに高いコストがかかる。
データマイニングによるCKD指標の微妙なパターンの発見は、早期診断に寄与する。
本研究は、CKD患者の早期診断において、医療専門家を支援する分類器モデルを開発する。
論文 参考訳（メタデータ） (2021-05-21T14:09:43Z) - Variational Knowledge Distillation for Disease Classification in Chest
X-Rays [102.04931207504173]
我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。
提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
論文 参考訳（メタデータ） (2021-03-19T14:13:56Z) - Sparse Longitudinal Representations of Electronic Health Record Data for
the Early Detection of Chronic Kidney Disease in Diabetic Patients [6.040252097102974]
慢性腎疾患 (CKD) は、徐々に腎機能を失っていく疾患である。
本稿では,患者の医療記録の少ない縦長表現を学習するための新しい枠組みを提案する。
論文 参考訳（メタデータ） (2020-11-09T22:07:25Z) - Learning Dynamic and Personalized Comorbidity Networks from Event Data
using Deep Diffusion Processes [102.02672176520382]
コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。
電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。
我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
論文 参考訳（メタデータ） (2020-01-08T15:47:08Z)
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。