論文の概要: Adaptive Recruitment Resource Allocation to Improve Cohort Representativeness in Participatory Biomedical Datasets

• arxiv url: http://arxiv.org/abs/2408.01375v1
• Date: Fri, 2 Aug 2024 16:32:30 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-05 12:48:28.941489
• Title: Adaptive Recruitment Resource Allocation to Improve Cohort Representativeness in Participatory Biomedical Datasets
• Title（参考訳）: 参加型バイオメディカルデータセットにおけるコホート代表性向上のための適応的資源配分
• Authors: Victor Borza, Andrew Estornell, Ellen Wright Clayton, Chien-Ju Ho, Russell Rothman, Yevgeniy Vorobeychik, Bradley Malin,
• Abstract要約: 本稿では, サイト間の採用資源を適応的に配分し, 代表性を向上する計算手法を提案する。 医療センターからの参加者1万人分のコホートを模擬的に募集した結果,既存のベースラインよりも代表的コホートが得られた。
• 参考スコア（独自算出の注目度）: 23.462552062769426
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large participatory biomedical studies, studies that recruit individuals to join a dataset, are gaining popularity and investment, especially for analysis by modern AI methods. Because they purposively recruit participants, these studies are uniquely able to address a lack of historical representation, an issue that has affected many biomedical datasets. In this work, we define representativeness as the similarity to a target population distribution of a set of attributes and our goal is to mirror the U.S. population across distributions of age, gender, race, and ethnicity. Many participatory studies recruit at several institutions, so we introduce a computational approach to adaptively allocate recruitment resources among sites to improve representativeness. In simulated recruitment of 10,000-participant cohorts from medical centers in the STAR Clinical Research Network, we show that our approach yields a more representative cohort than existing baselines. Thus, we highlight the value of computational modeling in guiding recruitment efforts.
• Abstract（参考訳）: データセットに参加する個人を募集する大規模な参加型バイオメディカル研究は、特に現代のAI手法による分析において、人気と投資を集めている。 彼らは純粋に参加者を募集するため、これらの研究は歴史的表現の欠如に対処することができる。 本研究は, 対象とする属性の人口分布の類似性として代表性を定義し, 年齢, 性別, 人種, 民族の分布にまたがる米国の人口分布を反映することを目的とする。 多くの参加型研究がいくつかの機関で採用されているので、我々は、代表性を改善するために、サイト間で採用資源を適応的に割り当てるための計算手法を導入している。 また,STAR 臨床研究ネットワークにおける医療センターからの1万人規模のコホートの採用をシミュレーションした結果,既存のベースラインよりも代表的コホートが得られた。 そこで本研究では,採用を導く上での計算モデルの価値を強調した。

関連論文リスト

• Diversified Batch Selection for Training Acceleration [68.67164304377732]
  オンラインバッチ選択として知られる一般的な研究ラインでは、トレーニングプロセス中の情報サブセットの選択について検討している。 バニラ参照モデルフリーメソッドは、独立してデータをサンプリング的にスコア付けし、選択する。 DivBS(Diversified Batch Selection)を提案する。
  論文  参考訳（メタデータ） (2024-06-07T12:12:20Z)
• Sample Selection Bias in Machine Learning for Healthcare [17.549969100454803]
  サンプル選択バイアス(英: sample selection bias, SSB)とは、研究対象の人口が減少し、偏りがあり潜在的に有害な決定につながることを指す。 SSBは文献でよく知られているが、医療のための機械学習についてはほとんど研究されていない。 偏り補正ではなく,対象集団の同定に基づいて,SSBに対処するための新たな研究方向を提案する。
  論文  参考訳（メタデータ） (2024-05-13T15:30:35Z)
• The Limits of Fair Medical Imaging AI In The Wild [43.97266228706059]
  医療用AIが人口統計エンコーディングをどのように利用するかを検討する。 医療画像AIは、疾患分類において、人口動態のショートカットを利用することを確認した。 人口統計属性のエンコーディングが少ないモデルは、しばしば「グローバルに最適」であることがわかった。
  論文  参考訳（メタデータ） (2023-12-11T18:59:50Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• Proxy-based Zero-Shot Entity Linking by Effective Candidate Retrieval [3.1498833540989413]
  本稿では, 逆正則化器とプロキシベースのメトリック学習損失のペアリングが, 候補探索段階における強負サンプリングの効率的な代替手段となることを示す。 特に、リコール@1メートル法で競合性能を示すため、高価な候補ランキングのステップを除外するオプションを提供する。
  論文  参考訳（メタデータ） (2023-01-30T22:43:21Z)
• Adaptive Identification of Populations with Treatment Benefit in Clinical Trials: Machine Learning Challenges and Solutions [78.31410227443102]
  確定的臨床試験において,特定の治療の恩恵を受ける患者サブポピュレーションを適応的に同定する問題について検討した。 サブポピュレーション構築のためのメタアルゴリズムであるAdaGGIとAdaGCPIを提案する。
  論文  参考訳（メタデータ） (2022-08-11T14:27:49Z)
• Targeting Underrepresented Populations in Precision Medicine: A Federated Transfer Learning Approach [7.467496975496821]
  多様な人口と複数の医療機関の異種データを統合した双方向データ統合戦略を提案する。 提案手法は, 人口の予測精度と予測精度を向上し, 人口間のモデル性能のギャップを小さくすることを示す。
  論文  参考訳（メタデータ） (2021-08-27T04:04:34Z)
• 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)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)

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。