論文の概要: Development and Validation of a Machine Learning Algorithm for Clinical Wellness Visit Classification in Cats and Dogs
- arxiv url: http://arxiv.org/abs/2406.10314v1
- Date: Fri, 14 Jun 2024 14:38:15 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-19 01:01:54.715514
- Title: Development and Validation of a Machine Learning Algorithm for Clinical Wellness Visit Classification in Cats and Dogs
- Title（参考訳）: 猫と犬の健康診察分類のための機械学習アルゴリズムの開発と検証
- Authors: Donald Szlosek, Michael Coyne, Julia Riggot, Kevin Knight, DJ McCrann, Dave Kincaid,
- Abstract要約: 獣医学における早期の疾患検出は、ウェルネス訪問中の無症状動物における下肢異常の同定に依存する。
本研究では,ウェルネスと他の獣医の訪問を区別するアルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 2.653957656525645
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Early disease detection in veterinary care relies on identifying subclinical abnormalities in asymptomatic animals during wellness visits. This study introduces an algorithm designed to distinguish between wellness and other veterinary visits.The purpose of this study is to validate the use of a visit classification algorithm compared to manual classification of veterinary visits by three board-certified veterinarians. Using a dataset of 11,105 clinical visits from 2012 to 2017 involving 655 animals (85.3% canines and 14.7% felines) across 544 U.S. veterinary establishments, the model was trained using a Gradient Boosting Machine model. Three validators were tasked with classifying 400 visits, including both wellness and other types of visits, selected randomly from the same database used for initial algorithm training, aiming to maintain consistency and relevance between the training and application phases; visit classifications were subsequently categorized into "wellness" or "other" based on majority consensus among validators to assess the algorithm's performance in identifying wellness visits. The algorithm demonstrated a specificity of 0.94 (95% CI: 0.91 to 0.96), implying its accuracy in distinguishing non-wellness visits. The algorithm had a sensitivity of 0.86 (95% CI: 0.80 to 0.92), indicating its ability to correctly identify wellness visits as compared to the annotations provided by veterinary experts. The balanced accuracy, calculated as 0.90 (95% CI: 0.87 to 0.93), further confirms the algorithm's overall effectiveness. The algorithm exhibits strong specificity and sensitivity, ensuring accurate identification of a high proportion of wellness visits. Overall, this algorithm holds promise for advancing research on preventive care's role in subclinical disease identification, but prospective studies are needed for validation.
- Abstract（参考訳）: 獣医学における早期の疾患検出は、ウェルネス訪問中の無症状動物における下肢異常の同定に依存する。
本研究は, 3人の獣医師による獣医師の手動分類と比較し, 健康と獣医師の訪問を区別するアルゴリズムを提案する。
2012年から2017年にかけて、米国の544の獣医施設で655頭の動物(85.3%のイヌと14.7%のネコ)を対象とする11,105回の臨床訪問のデータセットを用いて、このモデルはグラディエント・ブースティング・マシン(Gradient Boosting Machine)モデルを用いて訓練された。
3つのバリケータは、ウェルネスと他のタイプの訪問の両方を含む400の訪問を分類し、初期アルゴリズムトレーニングで使用される同じデータベースからランダムに選択し、トレーニングとアプリケーションフェーズ間の一貫性と関連性を維持することを目的としていた。
このアルゴリズムは0.94(95%CI:0.91から0.96)の特異性を示し、非ウェルネス訪問を区別する精度を示している。
このアルゴリズムの感度は0.86(95% CI: 0.80 - 0.92)であり、獣医の専門家が提供したアノテーションと比較して、健康訪問を正しく識別する能力を示している。
バランスの取れた精度は 0.90 (95% CI: 0.87 - 0.93) と計算され、アルゴリズムの全体的な有効性をさらに確認している。
このアルゴリズムは、強い特異性と感度を示し、高いウェルネス訪問率の正確な識別を保証する。
全体として、このアルゴリズムは、予防ケアがサブクリニカルな疾患の同定に果たす役割について研究を進めることを約束するが、検証には将来的な研究が必要である。
関連論文リスト
- Evaluating The Accuracy of Classification Algorithms for Detecting Heart
Disease Risk [0.0]
本研究は、心臓疾患の医学的データセットを用いた分類アルゴリズムを利用する。
アルゴリズムの性能は,精度,感度,特異性などの標準指標を用いて評価した。
その結果、心臓病を予測する最良のアルゴリズムは、99.24%の精度でランダムフォレストであることがわかった。
論文 参考訳（メタデータ） (2023-12-06T06:41:48Z) - A Federated Learning Framework for Stenosis Detection [70.27581181445329]
本研究は,冠動脈造影画像(CA)の狭窄検出におけるFL(Federated Learning)の使用について検討した。
アンコナのOspedale Riuniti(イタリア)で取得した200人の患者1219枚の画像を含む2施設の異種データセットについて検討した。
データセット2には、文献で利用可能な90人の患者からの7492のシーケンシャルな画像が含まれている。
論文 参考訳（メタデータ） (2023-10-30T11:13:40Z) - An open-source deep learning algorithm for efficient and fully-automatic
analysis of the choroid in optical coherence tomography [3.951995351344523]
我々は,光コヒーレンストモグラフィー(OCT)データにおける脈絡膜領域分割のための,オープンソースの完全自動ディープラーニングアルゴリズムであるDeepGPETを開発した。
論文 参考訳（メタデータ） (2023-07-03T10:01:36Z) - Significantly improving zero-shot X-ray pathology classification via
fine-tuning pre-trained image-text encoders [51.14431540035141]
下流のゼロショット病理分類性能を改善するために,文サンプリングと正対損失緩和に基づく新たな微調整手法を提案する。
4種類の胸部X線データセットを用いてゼロショット病理分類性能を劇的に改善した。
論文 参考訳（メタデータ） (2022-12-14T06:04:18Z) - Self-supervised contrastive learning of echocardiogram videos enables
label-efficient cardiac disease diagnosis [48.64462717254158]
心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。
左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。
EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
論文 参考訳（メタデータ） (2022-07-23T19:17:26Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳（メタデータ） (2022-01-13T05:24:40Z) - MOMO -- Deep Learning-driven classification of external DICOM studies
for PACS archivation [0.9498643829295902]
MOMO(Modality Mapping and Orchestration)は、このマッピングプロセスを自動化するためのディープラーニングベースのアプローチである。
既存のラベルを持つ11,934個の画像シリーズが、地元の病院のPACSデータベースから検索され、ニューラルネットワークを訓練した。
MOMOは精度の大きなマージンと予測力(99.29%の予測力、92.71%の精度、2.63%のマイナーエラー)で上回る。
論文 参考訳（メタデータ） (2021-12-01T17:16:41Z) - Systematic Clinical Evaluation of A Deep Learning Method for Medical
Image Segmentation: Radiosurgery Application [48.89674088331313]
3次元医用画像分割作業において,Deep Learning (DL) 手法を体系的に評価した。
本手法は放射線外科治療プロセスに統合され,臨床ワークフローに直接影響を及ぼす。
論文 参考訳（メタデータ） (2021-08-21T16:15:40Z) - Detecting of a Patient's Condition From Clinical Narratives Using
Natural Language Representation [0.3149883354098941]
本稿では,臨床自然言語表現学習と教師付き分類フレームワークを提案する。
この新しいフレームワークは、文脈的臨床物語入力から分布構文と潜在意味論(表現学習)を共同で発見する。
提案手法では, 精度, 再現性, 精度をそれぞれ89 %, 88 %, 89 %とした総合分類性能が得られる。
論文 参考訳（メタデータ） (2021-04-08T17:16:04Z) - Cost-Sensitive Machine Learning Classification for Mass Tuberculosis
Verbal Screening [0.0]
識別値の感度は1.26%,特異性は13.19%向上した。
その結果, 限られたデータであっても, 言語スクリーニングからTB容疑者を識別するより良い手法を実際に考案できることが示唆された。
論文 参考訳（メタデータ） (2020-11-14T21:41:29Z) - VerSe: A Vertebrae Labelling and Segmentation Benchmark for
Multi-detector CT Images [121.31355003451152]
大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。
本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
論文 参考訳（メタデータ） (2020-01-24T21:09:18Z)
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。