論文の概要: Learning Disease Progression Models That Capture Health Disparities

• arxiv url: http://arxiv.org/abs/2412.16406v1
• Date: Fri, 20 Dec 2024 23:56:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-24 16:02:03.611184
• Title: Learning Disease Progression Models That Capture Health Disparities
• Title（参考訳）: 健康格差を捉える疾患進行モデルの学習
• Authors: Erica Chiang, Divya Shanmugam, Ashley N. Beecy, Gabriel Sayer, Nir Uriel, Deborah Estrin, Nikhil Garg, Emma Pierson,
• Abstract要約: 我々は3つの重要な健康格差を捉えた解釈可能なベイズ病進行モデルを構築した。 理論的・実証的に、不均衡を考慮に入れないことは重大度の推定に偏りがあることが示される。 本モデルでは, 各種の健康格差に直面する群を同定し, 患者が高リスクとみなす群に有意な変化を生じさせることが可能である。
• 参考スコア（独自算出の注目度）: 2.5576848352640087
• License:
• Abstract: Disease progression models are widely used to inform the diagnosis and treatment of many progressive diseases. However, a significant limitation of existing models is that they do not account for health disparities that can bias the observed data. To address this, we develop an interpretable Bayesian disease progression model that captures three key health disparities: certain patient populations may (1) start receiving care only when their disease is more severe, (2) experience faster disease progression even while receiving care, or (3) receive follow-up care less frequently conditional on disease severity. We show theoretically and empirically that failing to account for disparities produces biased estimates of severity (underestimating severity for disadvantaged groups, for example). On a dataset of heart failure patients, we show that our model can identify groups that face each type of health disparity, and that accounting for these disparities meaningfully shifts which patients are considered high-risk.
• Abstract（参考訳）: 疾患進行モデルは多くの進行性疾患の診断と治療を知らせるために広く使用されている。 しかし、既存のモデルの重大な制限は、観測されたデータに偏りがある健康格差を考慮しないことである。 そこで本研究は,(1) 病状が重篤な場合にのみ,(1) 病状が重篤な場合にのみ治療を受け始めるか,(2) 治療中であってもより早い経過を経験するか,(3) 重症度に配慮しないフォローアップケアを受けるか,という3つの重要な健康格差を捉えた解釈可能なベイズ病進行モデルを構築した。 理論的および経験論的に、不均等を考慮できないと、重大性の偏見が生ずる(例えば、不利群に対する重大性の過小評価)。 心不全患者のデータセットから, 各種の健康格差に直面する群を同定し, 患者が高リスクとみなす群が有意に変化していることが示唆された。

関連論文リスト

• A Multimodal Approach to The Detection and Classification of Skin Diseases [0.5755004576310334]
  多くの疾患は、皮膚に多くの身体症状があるとしても、未診断で未治療のまま残されている。 AIの台頭により、自己診断と疾患認識の改善がこれまで以上に有望になった。 本研究は、皮膚疾患分類のための画像およびテキストを介して、容易に利用でき、容易にアクセス可能な患者情報を含む。
  論文  参考訳（メタデータ） (2024-11-21T05:27:42Z)
• Medical Video Generation for Disease Progression Simulation [40.38123964910394]
  疾患関連画像と映像の特徴を制御できる第1の医用ビデオ生成フレームワークを提案する。 胸部X線,眼底写真,皮膚画像の3領域にまたがる枠組みを検証した。 MVGは、コヒーレントで臨床的に妥当な疾患軌跡を発生させる上で、ベースラインモデルよりも著しく優れている。
  論文  参考訳（メタデータ） (2024-11-18T18:37:09Z)
• FairSkin: Fair Diffusion for Skin Disease Image Generation [54.29840149709033]
  拡散モデル (DM) は, 合成医用画像の生成において主要な手法となっているが, 臨界二倍偏差に悩まされている。 このようなバイアスを3段階のリサンプリング機構によって緩和する新しいDMフレームワークであるFairSkinを提案する。 本手法は, 画像の多様性と品質を著しく向上させ, 臨床環境における皮膚疾患の検出精度の向上に寄与する。
  論文  参考訳（メタデータ） (2024-10-29T21:37:03Z)
• Time-aware Heterogeneous Graph Transformer with Adaptive Attention Merging for Health Event Prediction [6.578298085691462]
  本稿では,疾患領域の知識を同化し,薬物と疾患の複雑な関係を解明するための新しい異種グラフ学習モデルを提案する。 2つの医療データセットで評価したところ、予測精度と解釈可能性の両方において顕著な改善が見られた。
  論文  参考訳（メタデータ） (2024-04-23T08:01:30Z)
• Expert Uncertainty and Severity Aware Chest X-Ray Classification by Multi-Relationship Graph Learning [48.29204631769816]
  我々はCXRレポートから病気ラベルを再抽出し,重症度と分類の不確実性を考慮し,より現実的になるようにした。 以上の結果から, 疾患の重症度と不確実性を考慮したモデルが, 従来の最先端手法よりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2023-09-06T19:19:41Z)
• Generative models improve fairness of medical classifiers under distribution shifts [49.10233060774818]
  データから現実的な拡張を自動的に学習することは、生成モデルを用いてラベル効率の良い方法で可能であることを示す。 これらの学習の強化は、モデルをより堅牢で統計的に公平に配布できることを示した。
  論文  参考訳（メタデータ） (2023-04-18T18:15:38Z)
• Individual health-disease phase diagrams for disease prevention based on machine learning [1.0617212070722408]
  複数のバイオマーカーの境界値を可視化することにより、個人の健康状態を表すHDPD(Health-disease phase diagram)を提示する。 以上の結果から,HDPDは発症過程における個々の生理的状態を表わし,疾患予防の介入目標として利用できることが示唆された。
  論文  参考訳（メタデータ） (2022-05-31T08:25:02Z)
• Correlation-based Discovery of Disease Patterns for Syndromic Surveillance [0.0]
  シナドロミック監視は 早期の症状の 検出を目的としてる 早期症状は通常多くの疾患で共有され、特定の疾患は感染の初期段階にいくつかの臨床像を持つことがある。 歴史的データからそのようなパターンを発見するための,新しい,データ駆動型アプローチを提案する。
  論文  参考訳（メタデータ） (2021-10-18T11:50:26Z)
• Classification supporting COVID-19 diagnostics based on patient survey data [82.41449972618423]
  新型コロナウイルス患者の効果的なスクリーニングを可能にするロジスティック回帰とXGBoost分類器が作成された。 得られた分類モデルは、DECODEサービス(decode.polsl.pl)の基礎を提供し、COVID-19病患者のスクリーニング支援に役立てることができる。 このデータセットは、3,000以上のサンプルで構成されており、ポーランドの病院で収集されたアンケートに基づいている。
  論文  参考訳（メタデータ） (2020-11-24T17:44:01Z)
• Steering a Historical Disease Forecasting Model Under a Pandemic: Case of Flu and COVID-19 [75.99038202534628]
  我々は、インフルエンザとCOVID-19が共存する新しいシナリオに、歴史的疾患予測モデルを「操る」ことができる神経伝達学習アーキテクチャであるCALI-Netを提案する。 我々の実験は、現在のパンデミックに歴史的予測モデルを適用することに成功していることを示している。
  論文  参考訳（メタデータ） (2020-09-23T22:35:43Z)
• A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
  ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。 また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
  論文  参考訳（メタデータ） (2020-06-08T19:24:54Z)

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。