論文の概要: Risk factor identification and classification of malnutrition among under-five children in Bangladesh: Machine learning and statistical approach

• arxiv url: http://arxiv.org/abs/2412.05813v1
• Date: Sun, 08 Dec 2024 04:50:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-10 14:53:54.231253
• Title: Risk factor identification and classification of malnutrition among under-five children in Bangladesh: Machine learning and statistical approach
• Title（参考訳）: バングラデシュの5歳未満児における栄養失調の危険因子の同定と分類 : 機械学習と統計的アプローチ
• Authors: Tasfin Mahmud, Tayab Uddin Wara, Chironjeet Das Joy,
• Abstract要約: 本研究では,5歳未満の子どもの栄養失調の原因について,MICS 2019(Multiple Indicator Cluster)の全国調査から解明することを目的とした。 決定木(DT)、ランダムフォレスト(RF)、サポートベクトルマシン(SVM)、マルチレイヤパーセプトロン(MLP)ニューラルネットワークの4つの確立された機械学習アルゴリズムに基づいて、さまざまな栄養失調ステージを分類する。 統計的ピアソン相関係数分析は、子供の栄養失調に関連する重要な要因を理解するためにも行われる。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This study aims to understand the factors that resulted in under-five children's malnutrition from the Multiple Indicator Cluster (MICS-2019) nationwide surveys and classify different malnutrition stages based on the four well-established machine learning algorithms, namely - Decision Tree (DT), Random Forest (RF), Support Vector Machine (SVM), and Multi-layer Perceptron (MLP) neural network. Accuracy, precision, recall, and F1 scores are obtained to evaluate the performance of each model. The statistical Pearson correlation coefficient analysis is also done to understand the significant factors related to a child's malnutrition. The eligible data sample for analysis was 21,858 among 24,686 samples from the dataset. Satisfactory and insightful results were obtained in each case and, the RF and MLP performed extraordinarily well. For RF, the accuracy was 98.55%, average precision 98.3%, recall value 95.68%, and F1 score 97.13%. For MLP, the accuracy was 98.69%, average precision 97.62%, recall 90.96%, and F1 score of 97.39%. From the Pearson co-efficient, all negative correlation results are enlisted, and the most significant impacts are found for the WAZ2 (Weight for age Z score WHO) (-0.828"), WHZ2 (Weight for height Z score WHO) (-0.706"), ZBMI (BMI Z score WHO) (-0.656"), BD3 (whether child is still being breastfed) (-0.59"), HAZ2 (Height for age Z score WHO) (-0.452"), CA1 (whether child had diarrhea in last 2 weeks) (-0.34"), Windex5 (Wealth index quantile) (-0.161"), melevel (Mother's education) (-0.132"), and CA14/CA16/CA17 (whether child had illness with fever, cough, and breathing) (-0.04) in successive order.
• Abstract（参考訳）: 本研究では,複数指標クラスタ(MICS-2019)による5歳未満の子どもの栄養失調の原因を明らかにすることを目的として,多層受容器ネットワーク(MLP)の4つの機械学習アルゴリズム,すなわち,決定木(DT),ランダムフォレスト(RF),サポートベクターマシン(SVM),多層受容器(MLP)の4つのアルゴリズムに基づいて,異なる栄養失調段階を分類した。 各モデルの性能を評価するために、精度、精度、リコール、F1スコアを得る。 統計的ピアソン相関係数分析は、子供の栄養失調に関連する重要な要因を理解するためにも行われる。 分析対象となったデータサンプルは,24,686例中21,858例であった。 いずれの症例においても満足感と洞察に富む結果が得られ, RF, MLPは極めて良好であった。 RFの精度は98.55%、平均精度98.3%、リコール値95.68%、F1スコア97.13%である。 MLPの精度は98.69%、平均精度97.62%、リコール90.96%、F1スコア97.39%である。 ピアソンの相関係数から、すべての負の相関結果が列挙され、WAZ2 (Weight for age Z score WHO) (-0.828)、WHZ2 (Weight for height Z score WHO) (-0.706)、ZBMI (BMI Z score WHO) (-0.656)、BD3 (-0.59)、HAZ2 (Height for age Z score WHO) (-0.452)、CA1 (Height for age Z score WHO) (-0.34)、Windex5 (Wealth index indexile) (-0.161)、Mlevel me (M's education) (-0.132/14)、CA/CA/CA(wugh) の順に最も大きな影響を与える。

関連論文リスト

• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Enhancing Skin Disease Classification Leveraging Transformer-based Deep Learning Architectures and Explainable AI [2.3149142745203326]
  皮膚疾患は世界の人口の3分の1以上に影響を与えるが、その影響は過小評価されることが多い。 深層学習技術は皮膚疾患の特定を含む様々なタスクに多くの可能性を示してきた。 この研究では、31のクラスを持つ皮膚疾患データセットを使用し、Vision Transformers、Swin Transformers、DivoV2のすべてのバージョンと比較した。
  論文  参考訳（メタデータ） (2024-07-20T05:38:00Z)
• Deep Learning Segmentation of Ascites on Abdominal CT Scans for Automatic Volume Quantification [12.25110399510034]
  本研究は,肝硬変腹水患者と卵巣癌患者の造影CT,非造影CTを施行した。 このモデルはThe Cancer Genome Atlas Ovarian Cancer data (平均年齢60歳+/-11[s.d.]; 143女)で訓練された。 その性能はDice係数,標準偏差,95%信頼区間で測定され,腹腔内腹水量に着目した。
  論文  参考訳（メタデータ） (2024-06-23T01:32:53Z)
• 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)
• Equity in Healthcare: Analyzing Disparities in Machine Learning Predictions of Diabetic Patient Readmissions [2.321323878201932]
  本研究では,糖尿病患者に対して,機械学習(ML)モデルを用いて患者の入院容積を正確に予測する方法について検討した。 私たちはDeep Learning、Generalized Linear Models、Gradient Boosting Machines (GBM)、Naive Bayesといったモデルを比較しました。 GBMは84.3%のF1スコアと82.2%の精度で、人口統計学的に読み書きを正確に予測した。
  論文  参考訳（メタデータ） (2024-03-27T23:49:22Z)
• A Federated Learning Framework for Stenosis Detection [70.27581181445329]
  本研究は,冠動脈造影画像(CA)の狭窄検出におけるFL(Federated Learning)の使用について検討した。 アンコナのOspedale Riuniti(イタリア)で取得した200人の患者1219枚の画像を含む2施設の異種データセットについて検討した。 データセット2には、文献で利用可能な90人の患者からの7492のシーケンシャルな画像が含まれている。
  論文  参考訳（メタデータ） (2023-10-30T11:13:40Z)
• Age-Stratified Differences in Morphological Connectivity Patterns in ASD: An sMRI and Machine Learning Approach [1.3436368800886478]
  本研究の目的は,形態的特徴 (MF) と形態的接続性 (MCF) を用いたASD分類における年齢群の影響を比較することである。 6歳と11歳のグループでは、RFを用いたMCFが他のグループよりも優れており、それぞれ75.8%、83.1%、86%、80.4%の精度でF1スコア、リコール、精度が得られた。
  論文  参考訳（メタデータ） (2023-08-14T12:11:25Z)
• The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk Screening by Eye-region Manifestations [59.48245489413308]
  携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。 AUC, 感度, 特異性, 精度, F1。
  論文  参考訳（メタデータ） (2021-09-18T02:28:01Z)
• Limitations of ROC on Imbalanced Data: Evaluation of LVAD Mortality Risk Scores [2.578242050187029]
  受信動作特性 (ROC) は分類器の性能の一般的な指標である。 ROCは、生き残る患者の圧倒的に多いため、短期的な死亡を予測できる分類器の歪んだビューを提供することができる。 本研究は,90日間のLVAD死亡に対する2つの分類器の成績について,ROCとPRCを比較した。
  論文  参考訳（メタデータ） (2020-10-29T11:10:15Z)
• Automated Quantification of CT Patterns Associated with COVID-19 from Chest CT [48.785596536318884]
  提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。 この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。 このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
  論文  参考訳（メタデータ） (2020-04-02T21:49:14Z)
• Severity Assessment of Coronavirus Disease 2019 (COVID-19) Using Quantitative Features from Chest CT Images [54.919022945740515]
  本研究の目的は,胸部CT画像に基づく新型コロナウイルスの重症度自動評価(非重症度または重症度)を実現することである。 ランダム・フォレスト(RF)モデルは、量的特徴に基づいて重症度(非重症度または重症度)を評価するために訓練される。 新型コロナウイルスの重症度を反映する可能性のあるいくつかの定量的特徴が明らかになった。
  論文  参考訳（メタデータ） (2020-03-26T15:49:32Z)

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。