論文の概要: Assessing Alcohol Use Disorder: Insights from Lifestyle, Background, and Family History with Machine Learning Techniques

• arxiv url: http://arxiv.org/abs/2410.18354v1
• Date: Thu, 24 Oct 2024 01:30:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-25 12:49:22.647948
• Title: Assessing Alcohol Use Disorder: Insights from Lifestyle, Background, and Family History with Machine Learning Techniques
• Title（参考訳）: アルコール使用障害の評価:機械学習技術を用いた生活習慣・背景・家族史からの考察
• Authors: Chenlan Wang, Gaojian Huang, Yue Luo,
• Abstract要約: 本研究は、ライフスタイル、個人的背景、家族歴が、アルコール使用障害(AUD)の発症リスクにどのように貢献するかを考察した。 AUDの主要な決定要因は、年収、レクリエーション薬の使用、居住期間、性/性別、婚姻状況、教育水準、家族歴などの決定木を用いて同定された。 決定木、ランダムな森林、ネイブベイズを含む機械学習技術を用いて、個人がAUDを開発する可能性を予測する。
• 参考スコア（独自算出の注目度）: 2.5042012845728827
• License:
• Abstract: This study explored how lifestyle, personal background, and family history contribute to the risk of developing Alcohol Use Disorder (AUD). Survey data from the All of Us Program was utilized to extract information on AUD status, lifestyle, personal background, and family history for 6,016 participants. Key determinants of AUD were identified using decision trees including annual income, recreational drug use, length of residence, sex/gender, marital status, education level, and family history of AUD. Data visualization and Chi-Square Tests of Independence were then used to assess associations between identified factors and AUD. Afterwards, machine learning techniques including decision trees, random forests, and Naive Bayes were applied to predict an individual's likelihood of developing AUD. Random forests were found to achieve the highest accuracy (82%), compared to Decision Trees and Naive Bayes. Findings from this study can offer insights that help parents, healthcare professionals, and educators develop strategies to reduce AUD risk, enabling early intervention and targeted prevention efforts.
• Abstract（参考訳）: 本研究では,生活習慣,個人的背景,家族歴がアルコール使用障害(AUD)の発症リスクにどのように寄与するかを検討した。 6,016人を対象に,全Usプログラムによる調査データを用いて,AUDの状況,生活習慣,個人的背景,家族歴などの情報を抽出した。 AUDの主要な決定要因は、年収、レクリエーション薬の使用、居住期間、性/性別、婚姻状況、教育水準、家族歴などの決定木を用いて同定された。 データビジュアライゼーションとChi-Square Tests of Independenceは、識別された要因とAUDの関連性を評価するために使用される。 その後、意思決定木、無作為林、ナイーブベイズを含む機械学習技術を適用し、個人がAUDを開発する可能性を予測する。 ランダム林は,落葉樹やナイーブベイズに比べて高い精度(82%)を達成できた。 この研究から得られた知見は、両親、医療専門家、教育者がAUDリスクを低減し、早期介入と予防活動の目標を達成するための戦略を開発するのに役立つ。

関連論文リスト

• Identifying Health Risks from Family History: A Survey of Natural Language Processing Techniques [10.121264712810616]
  本研究では,家族性疾患のリスクを特定するために,デジタル健康記録を活用するために開発された技術について文献調査を行った。 ルールベースの手法は研究が盛んであり、現在も家族の歴史抽出に積極的に利用されている点を強調した。 より最近の取り組みは、大規模で事前訓練された言語モデルに基づくニューラルモデルの構築である。
  論文  参考訳（メタデータ） (2024-03-15T03:43:07Z)
• Machine Learning Predicts Upper Secondary Education Dropout as Early as the End of Primary School [0.0]
  本研究は、幼稚園から9年生までのデータを含む13年間の縦断データセットを用いて、モデリングの地平を広げた。 本手法は,学生の学術的・認知的スキル,モチベーション,行動,幸福感,公式記録されたドロップアウトデータなど,幅広いパラメータを取り入れた。 本研究で開発された機械学習モデルでは, 曲線(AUC)の平均面積が0.61まで, 改善されたAUCは0.65まで, グレード9まで, 顕著な分類能力を示した。
  論文  参考訳（メタデータ） (2024-03-01T13:18:08Z)
• Social network analysis for personalized characterization and risk assessment of alcohol use disorders in adolescents using semantic technologies [42.29248343585333]
  アルコール使用障害(AUD)は、世界中の公衆衛生機関にとって大きな関心事である。 本稿では、知識モデルの構築方法を示し、従来の手法を用いて得られた結果と、この完全自動化モデルとの比較を行う。
  論文  参考訳（メタデータ） (2024-02-14T16:09:05Z)
• Feasibility of Identifying Factors Related to Alzheimer's Disease and Related Dementia in Real-World Data [56.7069469207376]
  537例から10項目で477の危険因子を抽出した。 AD/ADRDの遺伝子検査は、まだ一般的ではなく、構造化EHRと非構造化EHRの両方で文書化されていない。 AD/ADRDリスクファクタに関する継続的な研究を考えると、NLP法による文献マイニングは、私たちの知識マップを自動的に更新するソリューションを提供する。
  論文  参考訳（メタデータ） (2024-02-03T18:17:19Z)
• Exploration of Adolescent Depression Risk Prediction Based on Census Surveys and General Life Issues [7.774933303698165]
  青年期におけるうつ病の頻度は着実に増加している。 尺度や面接に依存する従来の診断方法は、特に若者のうつ病を検出するには不十分である。 本研究では,高度不均衡な高次元データを管理する手法と,データ構造特性に合わせた適応予測手法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T09:14:25Z)
• Out-of-distribution Detection Learning with Unreliable Out-of-distribution Sources [73.28967478098107]
  アウト・オブ・ディストリビューション(OOD)検出は、予測者が有効な予測を行うことができないOODデータをイン・ディストリビューション(ID)データとして識別する。 通常、OODパターンを識別できる予測器をトレーニングするために、実際のアウト・オブ・ディストリビューション(OOD)データを収集するのは困難である。 本稿では,Auxiliary Task-based OOD Learning (ATOL) というデータ生成に基づく学習手法を提案する。
  論文  参考訳（メタデータ） (2023-11-06T16:26:52Z)
• Sensitivity, Performance, Robustness: Deconstructing the Effect of Sociodemographic Prompting [64.80538055623842]
  社会デマトグラフィープロンプトは、特定の社会デマトグラフィープロファイルを持つ人間が与える答えに向けて、プロンプトベースのモデルの出力を操縦する技術である。 ソシオデマトグラフィー情報はモデル予測に影響を及ぼし、主観的NLPタスクにおけるゼロショット学習を改善するのに有用であることを示す。
  論文  参考訳（メタデータ） (2023-09-13T15:42:06Z)
• Unsupervised Anomaly Detection in 3D Brain MRI using Deep Learning with Multi-Task Brain Age Prediction [53.122045119395594]
  ディープラーニングを用いた脳MRIにおける教師なし異常検出(UAD)は有望な結果を示した。 年齢情報を考慮した3次元脳MRIにおけるUDAの深層学習を提案する。 そこで本研究では,マルチタスク年齢予測を用いた新しい深層学習手法を提案する。
  論文  参考訳（メタデータ） (2022-01-31T09:39:52Z)
• Cohort Characteristics and Factors Associated with Cannabis Use among Adolescents in Canada Using Pattern Discovery and Disentanglement Method [3.77251737220697]
  大麻使用に関連するカナダ人の青年期における行動要因の有意な頻繁・希少な関連を明らかにすることを目的としている。 我々は,9年生から12年生の18,761人の記録を含むCompassデータセットのサブセットを用いて,様々な特徴を含む31種類の特徴(属性)を抽出した。 その後、データセットから強い(統計的に有意な)関連や稀な(統計的に有意な)関連を検出するために、Pattern Discovery and Disentanglement (PDD)アルゴリズムを使用した。
  論文  参考訳（メタデータ） (2021-09-03T21:53:14Z)
• Personalized Education in the AI Era: What to Expect Next? [76.37000521334585]
  パーソナライズ学習の目的は、学習者の強みに合致する効果的な知識獲得トラックをデザインし、目標を達成するために弱みをバイパスすることである。 近年、人工知能(AI)と機械学習(ML)の隆盛は、パーソナライズされた教育を強化するための新しい視点を広げています。
  論文  参考訳（メタデータ） (2021-01-19T12:23:32Z)

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。