Fugu-MT 論文翻訳(概要): Monitoring fairness in machine learning models that predict patient mortality in the ICU

論文の概要: Monitoring fairness in machine learning models that predict patient mortality in the ICU

arxiv url: http://arxiv.org/abs/2411.00190v2
Date: Wed, 06 Nov 2024 20:32:55 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-09 00:49:04.174312
Title: Monitoring fairness in machine learning models that predict patient mortality in the ICU
Title（参考訳）: ICUにおける患者の死亡率を予測する機械学習モデルにおける公正度モニタリング
Authors: Tempest A. van Schaik, Xinggang Liu, Louis Atallah, Omar Badawi,
Abstract要約: 本研究では,異なる人種,性別,医療診断を有する患者群に対して,モデルがどのような効果を発揮するかを検討する。フェアネス分析が、従来の精度の指標単独よりも、モデルパフォーマンスのより詳細で洞察に富んだ比較をいかに提供するかを示す。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: This work proposes a fairness monitoring approach for machine learning models that predict patient mortality in the ICU. We investigate how well models perform for patient groups with different race, sex and medical diagnoses. We investigate Documentation bias in clinical measurement, showing how fairness analysis provides a more detailed and insightful comparison of model performance than traditional accuracy metrics alone.
Abstract（参考訳）: 本研究は、ICUにおける患者の死亡率を予測する機械学習モデルに対する公正なモニタリング手法を提案する。本研究では,異なる人種,性別,医療診断を有する患者群に対して,モデルがどのような効果を発揮するかを検討する。本研究では, 臨床測定におけるドキュメンテーションバイアスについて検討し, 従来の精度測定値よりも, モデル性能のより詳細な, 洞察に富んだ比較結果を提供することを示した。

関連論文リスト

Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。また,死亡率と臓器不全の関連性について有意な知見が得られた。
論文参考訳（メタデータ） (2024-07-28T02:42:36Z)
Towards Trustworthy Cross-patient Model Development [3.109478324371548]
本研究は,全ての患者と1人の患者を対象に訓練を行った際のモデル性能と説明可能性の差異について検討した。以上の結果から,患者の人口動態は,パフォーマンスや説明可能性,信頼性に大きな影響を及ぼすことが明らかとなった。
論文参考訳（メタデータ） (2021-12-20T10:51:04Z)
What Do You See in this Patient? Behavioral Testing of Clinical NLP Models [69.09570726777817]
本稿では,入力の変化に関する臨床結果モデルの振る舞いを評価する拡張可能なテストフレームワークを提案する。私たちは、同じデータを微調整しても、モデル行動は劇的に変化し、最高のパフォーマンスのモデルが常に最も医学的に可能なパターンを学習していないことを示しています。
論文参考訳（メタデータ） (2021-11-30T15:52:04Z)
Development of patients triage algorithm from nationwide COVID-19 registry data based on machine learning [1.0323063834827415]
本稿では,機械学習技術を用いた重症度評価モデルの開発過程について述べる。モデルは基本的な患者の基本的個人データのみを必要とするため、患者は自身の重症度を判断できる。本研究の目的は、患者が自身の重症度をチェックできる医療システムを構築し、同様の重症度を持つ他の患者の過去の治療内容に基づいて、適切な診療所への訪問を通知することである。
論文参考訳（メタデータ） (2021-09-18T19:56:27Z)
A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文参考訳（メタデータ） (2021-06-25T20:09:23Z)
On the Robustness of Pretraining and Self-Supervision for a Deep Learning-based Analysis of Diabetic Retinopathy [70.71457102672545]
糖尿病網膜症における訓練方法の違いによる影響を比較検討した。本稿では,定量的性能,学習した特徴表現の統計,解釈可能性,画像歪みに対する頑健性など,さまざまな側面について検討する。以上の結果から,ImageNet事前学習モデルでは,画像歪みに対する性能,一般化,堅牢性が著しく向上していることが示唆された。
論文参考訳（メタデータ） (2021-06-25T08:32:45Z)
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)
Building Deep Learning Models to Predict Mortality in ICU Patients [0.0]
そこで本研究では,SAPS IIスコアと同じ特徴を用いた深層学習モデルを提案する。よく知られた臨床データセットである医療情報マート(Medical Information Mart for Intensive Care III)に基づいていくつかの実験が行われている。
論文参考訳（メタデータ） (2020-12-11T16:27:04Z)
ISeeU2: Visually Interpretable ICU mortality prediction using deep learning and free-text medical notes [0.0]
そこで本研究では,MIMIC-IIIで訓練した深層学習モデルを用いて,生の看護ノートによる死亡率の予測と,単語の重要性の視覚的説明を行う。我々のモデルは0.8629のROCに達し、従来のSAPS-IIスコアを上回り、類似のDeep Learningアプローチと比較して高い解釈性を提供する。
論文参考訳（メタデータ） (2020-05-19T08:30:34Z)
Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
論文参考訳（メタデータ） (2020-05-03T02:36:00Z)
A Visual Analytics System for Multi-model Comparison on Clinical Data Predictions [21.86694022749115]
我々は,複数のモデルの予測基準を比較し,その一貫性を評価する視覚分析システムを開発した。我々は,臨床医や研究者が異なる機械学習手法を比較し,定量的に評価する上で,本システムの有効性を実証する。
論文参考訳（メタデータ） (2020-02-18T20:33:04Z)

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。