Fugu-MT 論文翻訳(概要): Identifying Factors to Help Improve Existing Decomposition-Based PMI Estimation Methods

論文の概要: Identifying Factors to Help Improve Existing Decomposition-Based PMI Estimation Methods

arxiv url: http://arxiv.org/abs/2409.09056v1
Date: Sat, 31 Aug 2024 15:00:31 GMT
ステータス: 処理完了
システム内更新日: 2024-09-22 21:42:00.752410
Title: Identifying Factors to Help Improve Existing Decomposition-Based PMI Estimation Methods
Title（参考訳）: 既存分解型PMI推定法の改善を支援する因子の同定
Authors: Anna-Maria Nau, Phillip Ditto, Dawnie Wolfe Steadman, Audris Mockus,
Abstract要約: ビッグデータの出現により、より大規模なサンプルを使用してPMI推定法を改善することができる。この研究は、大規模な分解データセットから249人の被験者のサンプルをキュレーションすることを含む。その結果, 総分解率 (TDS), 人口統計因子 (年齢, 生物性, BMI) および気象関連因子 (発見, 温度履歴, 湿度履歴) はPMI/ADDモデルの精度を高めた。
参考スコア（独自算出の注目度）: 3.2048813174244795
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Accurately assessing the postmortem interval (PMI) is an important task in forensic science. Some of the existing techniques use regression models that use a decomposition score to predict the PMI or accumulated degree days (ADD), however, the provided formulas are based on very small samples and the accuracy is low. With the advent of Big Data, much larger samples can be used to improve PMI estimation methods. We, therefore, aim to investigate ways to improve PMI prediction accuracy by (a) using a much larger sample size, (b) employing more advanced linear models, and (c) enhancing models with factors known to affect the human decay process. Specifically, this study involved the curation of a sample of 249 human subjects from a large-scale decomposition dataset, followed by evaluating pre-existing PMI/ADD formulas and fitting increasingly sophisticated models to estimate the PMI/ADD. Results showed that including the total decomposition score (TDS), demographic factors (age, biological sex, and BMI), and weather-related factors (season of discovery, temperature history, and humidity history) increased the accuracy of the PMI/ADD models. Furthermore, the best performing PMI estimation model using the TDS, demographic, and weather-related features as predictors resulted in an adjusted R-squared of 0.34 and an RMSE of 0.95. It had a 7% lower RMSE than a model using only the TDS to predict the PMI and a 48% lower RMSE than the pre-existing PMI formula. The best ADD estimation model, also using the TDS, demographic, and weather-related features as predictors, resulted in an adjusted R-squared of 0.52 and an RMSE of 0.89. It had an 11% lower RMSE than the model using only the TDS to predict the ADD and a 52% lower RMSE than the pre-existing ADD formula. This work demonstrates the need (and way) to incorporate demographic and environmental factors into PMI/ADD estimation models.
Abstract（参考訳）: PMI(Postmortem interval)の正確な評価は、法医学における重要な課題である。既存の手法のいくつかは、分解スコアを用いてPMIまたは累積次数日(ADD)を予測する回帰モデルを使用しているが、得られた公式は非常に小さなサンプルに基づいており、精度は低い。ビッグデータの出現により、より大規模なサンプルを使用してPMI推定法を改善することができる。そこで我々は,PMI予測精度を向上させる方法を検討することを目的とする。 (a) はるかに大きなサンプルサイズを用いる。 (b)より先進的な線形モデルを採用し、 (c)ヒトの崩壊過程に影響を与える因子を有するモデルを強化すること。具体的には、大規模な分解データセットから249人の被験者のサンプルをキュレーションし、PMI/ADD式を評価し、PMI/ADDを推定するためにより洗練されたモデルを適用する。その結果, 総分解率 (TDS), 人口統計因子 (年齢, 生物性, BMI) , 気象関連因子 (発見, 温度履歴, 湿度履歴) はPMI/ADDモデルの精度を高めた。さらに, 予測器としてTDS, 人口統計, 気象特性を用いたPMI推定モデルでは, R-squared 0.34, RMSE 0.95が調整された。 TDSのみを用いてPMIを予測するモデルよりもRMSEが7%低く、既存のPMI式よりも48%低いRMSEを示した。 TDS, 人口統計, 気象に関する特徴を予測値として用いた最高のARD推定モデルでは, R-squared が 0.52 、RMSE が 0.89 と調整された。 TDSのみを用いたモデルより11%低いRMSE, 既存のABD式より52%低いRMSEを示した。この研究は、人口動態と環境要因をPMI/ADD推定モデルに組み込む必要性(および方法)を示す。

関連論文リスト

Enhancing End Stage Renal Disease Outcome Prediction: A Multi-Sourced Data-Driven Approach [7.212939068975618]
10,326人のCKD患者のデータを利用して,2009年から2018年までの臨床とクレーム情報を組み合わせた。 24ヶ月の観測窓は早期検出と予測精度のバランスをとるのに最適であると同定された。 2021年のeGFR方程式は予測精度を改善し、特にアフリカ系アメリカ人の偏見を低減した。
論文参考訳（メタデータ） (2024-10-02T03:21:01Z)
K-Fold Causal BART for CATE Estimation [0.0]
この研究は、広く認知されているInfant Health and Development Program(IHDP)ベンチマークデータセットを含む、合成および半合成データセットを使用している。合成シナリオにおける有望な結果にもかかわらず、IHDPデータセットは、提案されたモデルがATEとCATE推定の最先端ではないことを明らかにしている。
論文参考訳（メタデータ） (2024-09-09T14:36:33Z)
Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
論文参考訳（メタデータ） (2024-07-10T19:17:23Z)
Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。時間間隔推定を組み込んだ拡散モデルである。我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
論文参考訳（メタデータ） (2024-06-20T02:20:23Z)
PUMA: margin-based data pruning [51.12154122266251]
モデル分類境界からの距離(すなわちマージン)に基づいて、いくつかのトレーニングサンプルを除去するデータプルーニングに焦点を当てる。我々は,DeepFoolを用いてマージンを算出する新しいデータプルーニング戦略PUMAを提案する。 PUMAは,現状の最先端手法であるロバスト性の上に利用でき,既存のデータプルーニング戦略と異なり,モデル性能を著しく向上させることができることを示す。
論文参考訳（メタデータ） (2024-05-10T08:02:20Z)
Learnable Prompt as Pseudo-Imputation: Reassessing the Necessity of Traditional EHR Data Imputation in Downstream Clinical Prediction [16.638760651750744]
既存のディープラーニングトレーニングプロトコルでは、欠落した値を再構築するために統計情報や計算モデルを使用する必要がある。本稿では,Pseudo Imputation (PAI) を新たなトレーニングプロトコルとして紹介する。 PAIはもはやインプットデータを導入しないが、ダウンストリームモデルの暗黙の選好を欠落値にモデル化するための学習可能なプロンプトを構築する。
論文参考訳（メタデータ） (2024-01-30T07:19:36Z)
MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文参考訳（メタデータ） (2023-10-04T01:36:30Z)
Clinical Deterioration Prediction in Brazilian Hospitals Based on Artificial Neural Networks and Tree Decision Models [56.93322937189087]
超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
論文参考訳（メタデータ） (2022-12-17T23:29:14Z)
A comparison of Monte Carlo dropout and bootstrap aggregation on the performance and uncertainty estimation in radiation therapy dose prediction with deep learning neural networks [0.46180371154032895]
本稿では,モンテカルロ投棄法(MCDO)とブートストラップアグリゲーション(バッグング)をディープラーニングモデルに応用し,放射線治療用線量予測の不確かさを推定する手法を提案する。パフォーマンス面では、バギングは調査対象のほとんどの指標において統計的に顕著な損失値と誤差を減少させる。
論文参考訳（メタデータ） (2020-11-01T00:24:43Z)
UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文参考訳（メタデータ） (2020-10-22T02:28:11Z)

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。