論文の概要: Explainable AI for Classifying UTI Risk Groups Using a Real-World Linked EHR and Pathology Lab Dataset
- arxiv url: http://arxiv.org/abs/2411.17645v1
- Date: Tue, 26 Nov 2024 18:10:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-27 13:36:48.854571
- Title: Explainable AI for Classifying UTI Risk Groups Using a Real-World Linked EHR and Pathology Lab Dataset
- Title(参考訳): 実世界リンクEHRと病理実験データを用いたUTIリスクグループ分類のための説明可能なAI
- Authors: Yujie Dai, Brian Sullivan, Axel Montout, Amy Dillon, Chris Waller, Peter Acs, Rachel Denholm, Philip Williams, Alastair D Hay, Raul Santos-Rodriguez, Andrew Dowsey,
- Abstract要約: 英国ブリストル,ノースサマセット,サウスグロスターシャーの尿路感染症(UTI)を特徴付けるために,リンクEHRデータセットを利用する。
包括的なデータ前処理とキュレーションパイプラインは、生のEHRデータをAIモデリングに適した構造化フォーマットに変換する。
臨床専門知識によりUTIリスク推定フレームワークを構築し,個別の患者タイムラインにまたがってUTIリスクを推定する。
- 参考スコア(独自算出の注目度): 0.47517735516852333
- License:
- Abstract: The use of machine learning and AI on electronic health records (EHRs) holds substantial potential for clinical insight. However, this approach faces significant challenges due to data heterogeneity, sparsity, temporal misalignment, and limited labeled outcomes. In this context, we leverage a linked EHR dataset of approximately one million de-identified individuals from Bristol, North Somerset, and South Gloucestershire, UK, to characterize urinary tract infections (UTIs) and develop predictive models focused on data quality, fairness and transparency. A comprehensive data pre-processing and curation pipeline transforms the raw EHR data into a structured format suitable for AI modeling. Given the limited availability and biases of ground truth UTI outcomes, we introduce a UTI risk estimation framework informed by clinical expertise to estimate UTI risk across individual patient timelines. Using this framework, we built pairwise XGBoost models to differentiate UTI risk categories with explainable AI techniques to identify key predictors while ensuring interpretability. Our findings reveal differences in clinical and demographic factors across risk groups, offering insights into UTI risk stratification and progression. This study demonstrates the added value of AI-driven insights into UTI clinical decision-making while prioritizing interpretability, transparency, and fairness, underscoring the importance of sound data practices in advancing health outcomes.
- Abstract(参考訳): EHR(Electronic Health Record)における機械学習とAIの使用は、臨床的な洞察にかなりの可能性を秘めている。
しかし、このアプローチはデータの不均一性、疎性、時間的ミスアライメント、ラベル付き結果の制限など、重大な課題に直面している。
この文脈では、ブリストル、ノースサマセット、サウスグロスターシャーの約100万人の未確認個体のリンクEHRデータセットを活用し、尿路感染症(UTI)を特徴付けるとともに、データ品質、公平性、透明性に焦点を当てた予測モデルを開発する。
包括的なデータ前処理とキュレーションパイプラインは、生のEHRデータをAIモデリングに適した構造化フォーマットに変換する。
基礎的真理UTI結果の可用性とバイアスが限定されていることから、臨床専門知識からUTIリスク推定フレームワークを導入し、個別の患者タイムラインにまたがってUTIリスクを推定する。
このフレームワークを用いて、UTIリスクカテゴリと説明可能なAI技術とを区別し、重要な予測器を識別し、解釈可能性を確保しながら、ペアワイズXGBoostモデルを構築した。
以上の結果から,UTIのリスク階層化と進展に関する知見が得られた。
本研究は、AIによるUTI臨床意思決定に対する洞察の付加価値を実証し、解釈可能性、透明性、公正性を優先し、健全なデータプラクティスが健康的な結果を促進することの重要性を強調する。
関連論文リスト
- Foundation Model of Electronic Medical Records for Adaptive Risk Estimation [6.248030496243407]
健康シミュレーションのための拡張トランスフォーマー(ETHOS)は、患者タイムライン(PHT)をEHRからトークン化する。
リスク推定システム(ARES)は、臨床医が定義した臨界事象に対するダイナミックでパーソナライズされたリスク確率を計算するためにETHOSを使用している。
ARESにはパーソナライズされた説明可能性モジュールが組み込まれており、個々の患者のリスク見積に影響を与える重要な臨床要因を特定する。
論文 参考訳(メタデータ) (2025-02-10T03:22:39Z) - TrialBench: Multi-Modal Artificial Intelligence-Ready Clinical Trial Datasets [57.067409211231244]
本稿では,マルチモーダルデータ(例えば,薬物分子,疾患コード,テキスト,分類・数値的特徴)と臨床治験設計における8つの重要な予測課題をカバーするAIreadyデータセットを精巧にキュレートした。
データセットのユーザビリティと信頼性を確保するため、各タスクに基本的な検証方法を提供する。
このようなオープンアクセスデータセットが利用可能になることは、臨床試験設計のための高度なAIアプローチの開発を促進することを期待する。
論文 参考訳(メタデータ) (2024-06-30T09:13:10Z) - Enabling Collaborative Clinical Diagnosis of Infectious Keratitis by
Integrating Expert Knowledge and Interpretable Data-driven Intelligence [28.144658552047975]
感染性角膜炎(IK)の診断における知識誘導診断モデル(KGDM)の性能,解釈可能性,臨床的有用性について検討した。
AIベースのバイオマーカーの診断確率比(DOR)は3.011から35.233の範囲で有効である。
コラボレーションの参加者は、人間とAIの両方を上回るパフォーマンスを達成した。
論文 参考訳(メタデータ) (2024-01-14T02:10:54Z) - 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) - TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic
Tree-Based Memory Network [54.332862955411656]
臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。
近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。
本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
論文 参考訳(メタデータ) (2023-07-19T12:35:09Z) - Informing clinical assessment by contextualizing post-hoc explanations
of risk prediction models in type-2 diabetes [50.8044927215346]
本研究は, 合併症リスク予測のシナリオを考察し, 患者の臨床状態に関する文脈に焦点を当てる。
我々は、リスク予測モデル推論に関する文脈を提示し、その受容性を評価するために、最先端のLLMをいくつか採用する。
本論文は,実世界における臨床症例における文脈説明の有効性と有用性を明らかにする最初のエンドツーエンド分析の1つである。
論文 参考訳(メタデータ) (2023-02-11T18:07:11Z) - Integrated Convolutional and Recurrent Neural Networks for Health Risk
Prediction using Patient Journey Data with Many Missing Values [9.418011774179794]
本稿では,統合畳み込みニューラルネットワークとリカレントニューラルネットワークを用いたEMH患者旅行データモデリングのためのエンドツーエンドアプローチを提案する。
本モデルでは,各患者旅行における長期的・短期的時間的パターンを抽出し,インパルスデータ生成を伴わずに,高レベルのEHRデータの欠落を効果的に処理することができる。
論文 参考訳(メタデータ) (2022-11-11T07:36:18Z) - 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) - Clinical Outcome Prediction from Admission Notes using Self-Supervised
Knowledge Integration [55.88616573143478]
臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。
退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。
複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
論文 参考訳(メタデータ) (2021-02-08T10:26:44Z) - Deep Representation for Connected Health: Semi-supervised Learning for
Analysing the Risk of Urinary Tract Infections in People with Dementia [2.66008303934728]
本研究は,家庭内観測・測定データから学習可能な半教師付きモデルを提案する。
認知症における尿路感染症(UTIs)のリスクを解析するために,我々のモデルが高度に不均衡な動的データを処理し,堅牢な予測を行う方法を示す。
論文 参考訳(メタデータ) (2020-11-27T18:58:05Z)
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。