論文の概要: Effect of Clinical History on Predictive Model Performance for Renal Complications of Diabetes
- arxiv url: http://arxiv.org/abs/2409.13743v1
- Date: Tue, 10 Sep 2024 20:27:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-09-30 06:32:12.182744
- Title: Effect of Clinical History on Predictive Model Performance for Renal Complications of Diabetes
- Title(参考訳): 糖尿病患者の腎合併症の予測モデル性能に及ぼす臨床歴の影響
- Authors: Davide Dei Cas, Barbara Di Camillo, Gian Paolo Fadini, Giovanni Sparacino, Enrico Longato,
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 1.4330510916280879
- License:
- Abstract: Diabetes is a chronic disease characterised by a high risk of developing diabetic nephropathy, which, in turn, is the leading cause of end-stage chronic kidney disease. The early identification of individuals at heightened risk of such complications or their exacerbation can be of paramount importance to set a correct course of treatment. In the present work, from the data collected in the DARWIN-Renal (DApagliflozin Real-World evIdeNce-Renal) study, a nationwide multicentre retrospective real-world study, we develop an array of logistic regression models to predict, over different prediction horizons, the crossing of clinically relevant glomerular filtration rate (eGFR) thresholds for patients with diabetes by means of variables associated with demographic, anthropometric, laboratory, pathology, and therapeutic data. In doing so, we investigate the impact of information coming from patient's past visits on the model's predictive performance, coupled with an analysis of feature importance through the Boruta algorithm. Our models yield very good performance (AUROC as high as 0.98). We also show that the introduction of information from patient's past visits leads to improved model performance of up to 4%. The usefulness of past information is further corroborated by a feature importance analysis.
- Abstract(参考訳): 糖尿病は糖尿病性腎症を発症するリスクが高いと特徴付けられる慢性疾患である。
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。
本研究は, DARWIN-Renal (DApagliflozin Real-World evIdeNce-Renal) 研究で収集されたデータから, 様々な予測地平線上での予測, 臨床関連糸球体濾過率 (eGFR) の経時的変化を, 人口, 人為的, 実験室, 病理, 治療データに関連する変数を用いて予測するロジスティック回帰モデルを開発した。
そこで本研究では,患者の過去の訪問情報から得られた情報が,モデルの性能予測に与える影響について検討し,ボルタアルゴリズムによる特徴重要度の分析を行った。
私たちのモデルは、非常に優れたパフォーマンス(AUROCは0.98まで)を得る。
また,過去の訪問情報の導入により,モデルの性能が最大4%向上することが示唆された。
過去の情報の有用性は、特徴重要分析によってさらに裏付けられる。
関連論文リスト
- AI-Driven Predictive Analytics Approach for Early Prognosis of Chronic Kidney Disease Using Ensemble Learning and Explainable AI [0.26217304977339473]
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。
論文 参考訳(メタデータ) (2024-06-10T18:46:14Z) - Assessing the significance of longitudinal data in Alzheimer's Disease forecasting [7.72135261611709]
我々は、アルツハイマー病(AD)の進行を予測するための縦断的患者データの重要性を特徴付けるために、トランスフォーマーエンコーダモデルを用いている。
アルツハイマー病の縦断予測モデル (LongForMAD) は, 患者訪問の順序に埋め込まれた包括的時間的情報を活用する。
本研究は,ADの早期検出とモニタリングを促進するため,臨床環境における経時的データの導入を支援する。
論文 参考訳(メタデータ) (2024-05-27T16:55:48Z) - 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) - 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) - 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) - Intelligent Sight and Sound: A Chronic Cancer Pain Dataset [74.77784420691937]
本稿では,Intelligent Sight and Sound (ISS) 臨床試験の一環として収集された,最初の慢性ガン痛データセットを紹介する。
これまで収集されたデータは29の患者、509のスマートフォンビデオ、189,999のフレーム、そして自己報告された感情と活動の痛みのスコアから成っている。
静的画像とマルチモーダルデータを用いて、自己報告された痛みレベルを予測する。
論文 参考訳(メタデータ) (2022-04-07T22:14:37Z) - Deep Personalized Glucose Level Forecasting Using Attention-based
Recurrent Neural Networks [5.250950284616893]
本研究では,血糖予測の問題点について検討し,深いパーソナライズド・ソリューションを提供する。
データを解析し、重要なパターンを検出する。
実データセット上でモデルの有効性を実証的に示す。
論文 参考訳(メタデータ) (2021-06-02T01:36:53Z) - 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) - Longitudinal modeling of MS patient trajectories improves predictions of
disability progression [2.117653457384462]
本研究は, 実世界の患者データから情報を最適に抽出する作業に対処する。
本研究では,患者軌跡モデリングに適した機械学習手法を用いることで,患者の障害進行を2年間の地平線で予測できることを示す。
文献で利用可能なモデルと比較して、この研究はMS病の進行予測に最も完全な患者履歴を使用する。
論文 参考訳(メタデータ) (2020-11-09T20:48:00Z) - Trajectories, bifurcations and pseudotime in large clinical datasets:
applications to myocardial infarction and diabetes data [94.37521840642141]
混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。
この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
論文 参考訳(メタデータ) (2020-07-07T21:04:55Z) - Short Term Blood Glucose Prediction based on Continuous Glucose
Monitoring Data [53.01543207478818]
本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。
短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
論文 参考訳(メタデータ) (2020-02-06T16:39:44Z)
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。