論文の概要: Enhancing End Stage Renal Disease Outcome Prediction: A Multi-Sourced Data-Driven Approach

• arxiv url: http://arxiv.org/abs/2410.01859v2
• Date: Tue, 8 Oct 2024 18:54:06 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-04 10:14:15.595563
• Title: Enhancing End Stage Renal Disease Outcome Prediction: A Multi-Sourced Data-Driven Approach
• Title（参考訳）: 末期腎疾患の予後予測の強化:マルチソースデータ駆動アプローチ
• Authors: Yubo Li, Rema Padman,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 7.212939068975618
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Objective: To improve prediction of Chronic Kidney Disease (CKD) progression to End Stage Renal Disease (ESRD) using machine learning (ML) and deep learning (DL) models applied to an integrated clinical and claims dataset of varying observation windows, supported by explainable AI (XAI) to enhance interpretability and reduce bias. Materials and Methods: We utilized data about 10,326 CKD patients, combining their clinical and claims information from 2009 to 2018. Following data preprocessing, cohort identification, and feature engineering, we evaluated multiple statistical, ML and DL models using data extracted from five distinct observation windows. Feature importance and Shapley value analysis were employed to understand key predictors. Models were tested for robustness, clinical relevance, misclassification errors and bias issues. Results: Integrated data models outperformed those using single data sources, with the Long Short-Term Memory (LSTM) model achieving the highest AUC (0.93) and F1 score (0.65). A 24-month observation window was identified as optimal for balancing early detection and prediction accuracy. The 2021 eGFR equation improved prediction accuracy and reduced racial bias, notably for African American patients. Discussion: Improved ESRD prediction accuracy, results interpretability and bias mitigation strategies presented in this study have the potential to significantly enhance CKD and ESRD management, support targeted early interventions and reduce healthcare disparities. Conclusion: This study presents a robust framework for predicting ESRD outcomes in CKD patients, improving clinical decision-making and patient care through multi-sourced, integrated data and AI/ML methods. Future research will expand data integration and explore the application of this framework to other chronic diseases.
• Abstract（参考訳）: 目的:機械学習(ML)と深層学習(DL)モデルを用いて慢性腎臓病(CKD)から末期腎疾患(ESRD)への進行予測を改善すること。 対象と方法:2009年から2018年までの臨床と請求情報を組み合わせた約10,326人のCKD患者のデータを利用した。 5つの異なる観測窓から抽出したデータを用いて,データ前処理,コホート識別,特徴工学に続いて,複数の統計,ML,DLモデルを評価した。 重要な予測因子を理解するために、特徴の重要性とシェープ値分析が採用された。 モデルは、堅牢性、臨床関連性、誤分類エラー、バイアス問題で試験された。 結果: 統合データモデルは単一データソースを用いた場合よりも優れており、Long Short-Term Memory(LSTM)モデルはAUC(0.93)とF1スコア(0.65)を達成している。 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。 考察:本研究で提示したESRD予測精度の改善,結果の解釈可能性,バイアス軽減戦略は,CKDおよびESRD管理の大幅な向上,早期介入の早期支援,医療格差の低減に寄与する可能性がある。 結論:本研究は、CKD患者のESRD結果を予測するための堅牢な枠組みを示し、多ソース統合データとAI/ML法による臨床意思決定と患者ケアを改善した。 今後の研究は、データ統合を拡張し、このフレームワークの他の慢性疾患への応用を探る予定である。

関連論文リスト

• Towards Interpretable End-Stage Renal Disease (ESRD) Prediction: Utilizing Administrative Claims Data with Explainable AI Techniques [6.417777780911223]
  本研究は,慢性腎臓病(CKD)から末期腎疾患(ESRD)への進行を予測するために,高度な機械学習とディープラーニング技術を組み合わせた管理クレームデータを活用する可能性を検討する。 我々は、ランダムフォレストやXGBoostといった従来の機械学習手法とLong Short-Term Memory(LSTM)ネットワークのようなディープラーニングアプローチを用いて、大手医療保険会社が提供した包括的10年間のデータセットを分析し、複数の観測窓の予測モデルを開発する。 以上の結果から,LSTMモデル,特に24ヶ月の観測窓を用いた場合,ESRD進行予測において優れた性能を示した。
  論文  参考訳（メタデータ） (2024-09-18T16:03:57Z)
• Machine Learning Applications in Medical Prognostics: A Comprehensive Review [0.0]
  機械学習(ML)は、高度なアルゴリズムと臨床データを統合することで、医学的診断に革命をもたらした。 RFモデルは高次元データの処理において堅牢な性能を示す。 CNNは、がん検出において異常な精度を示している。 LSTMネットワークは、時間的データの解析に優れ、臨床劣化の正確な予測を提供する。
  論文  参考訳（メタデータ） (2024-08-05T09:41:34Z)
• 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)
• 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)
• Binary Gaussian Copula Synthesis: A Novel Data Augmentation Technique to Advance ML-based Clinical Decision Support Systems for Early Prediction of Dialysis Among CKD Patients [4.80104397397529]
  アメリカ疾病管理センターは、米国成人3700万人以上が慢性腎臓病(CKD)を患っていると推定している。 このうち10人のうち9人は、早期に症状がないことから、自分の状態に気付いていない。 透析の早期予測は、患者の結果を大幅に改善できるため、重要である。
  論文  参考訳（メタデータ） (2024-03-01T20:32:17Z)
• 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)
• Deep Learning for Predicting Progression of Patellofemoral Osteoarthritis Based on Lateral Knee Radiographs, Demographic Data and Symptomatic Assessments [1.1549572298362785]
  本研究はMOST研究のベースラインから被験者(被験者1832名,膝3276名)を抽出した。 PF関節領域は, 側膝X線上の自動ランドマーク検出ツール(BoneFinder)を用いて同定した。 年齢、性別、BMIおよびWOMACスコア、および大腿骨関節X線学的関節炎ステージ(KLスコア)の危険因子について
  論文  参考訳（メタデータ） (2023-05-10T06:43:33Z)
• 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)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• 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。