論文の概要: Stroke Prediction using Clinical and Social Features in Machine Learning

• arxiv url: http://arxiv.org/abs/2501.00048v1
• Date: Fri, 27 Dec 2024 23:05:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-05 21:12:45.841568
• Title: Stroke Prediction using Clinical and Social Features in Machine Learning
• Title（参考訳）: 機械学習における臨床・社会特徴を用いたストローク予測
• Authors: Aidan Chadha,
• Abstract要約: ストロークは世界で2番目に多い死因である。 脳卒中は世界第2位の死因であり、生活習慣に基づく脳卒中確率を予測することが重要である。 この分析は、脳卒中予測のためのニューラルネットワーク(密度と畳み込み)とロジスティック回帰モデルを比較する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Every year in the United States, 800,000 individuals suffer a stroke - one person every 40 seconds, with a death occurring every four minutes. While individual factors vary, certain predictors are more prevalent in determining stroke risk. As strokes are the second leading cause of death and disability worldwide, predicting stroke likelihood based on lifestyle factors is crucial. Showing individuals their stroke risk could motivate lifestyle changes, and machine learning offers solutions to this prediction challenge. Neural networks excel at predicting outcomes based on training features like lifestyle factors, however, they're not the only option. Logistic regression models can also effectively compute the likelihood of binary outcomes based on independent variables, making them well-suited for stroke prediction. This analysis will compare both neural networks (dense and convolutional) and logistic regression models for stroke prediction, examining their pros, cons, and differences to develop the most effective predictor that minimizes false negatives.
• Abstract（参考訳）: 米国では毎年80万人が脳卒中を起こし、40秒ごとに1人が死亡し、4分ごとに死亡する。 個々の要因は異なるが、特定の予測因子は脳卒中リスクを決定するのに一般的である。 脳卒中は世界第2位の死因であり、生活習慣に基づく脳卒中確率を予測することが重要である。 脳卒中リスクを個人に示すことはライフスタイルの変化を動機付け、機械学習はこの予測課題に対する解決策を提供する。 ニューラルネットワークは、ライフスタイルなどのトレーニング機能に基づいて結果を予測するのに優れていますが、それが唯一の選択肢ではありません。 ロジスティック回帰モデルは、独立変数に基づくバイナリ結果の確率を効果的に計算し、ストローク予測に適している。 この分析は、脳卒中予測のためのニューラルネットワーク(密度と畳み込み)とロジスティック回帰モデルを比較し、そのプロ、コン、差異を調べ、偽陰性を最小化する最も効果的な予測器を開発する。

関連論文リスト

• Causal Lifting of Neural Representations: Zero-Shot Generalization for Causal Inferences [56.23412698865433]
  本研究では,ラベル付き類似実験を微調整した予測モデルを用いて,ラベル付き実結果を用いた対象実験の因果推論に焦点をあてる。 まず,経験的リスク最小化(ERM)による実結果推定は,対象個体群に対して有効な因果推論を導出できない可能性があることを示す。 本稿では,実証的リスク最小化法(DEM)を提案する。
  論文  参考訳（メタデータ） (2025-02-10T10:52:17Z)
• Interpretable Survival Analysis for Heart Failure Risk Prediction [50.64739292687567]
  現状の生存モデルと解釈可能かつ競合する新しい生存分析パイプラインを提案する。 我々のパイプラインは最先端のパフォーマンスを達成し、心不全のリスク要因に関する興味深い新しい洞察を提供する。
  論文  参考訳（メタデータ） (2023-10-24T02:56:05Z)
• Zero-shot causal learning [64.9368337542558]
  CaMLは因果メタラーニングフレームワークであり、各介入の効果をタスクとしてパーソナライズした予測を定式化する。 トレーニング時に存在しない新規介入のパーソナライズされた効果を予測することができることを示す。
  論文  参考訳（メタデータ） (2023-01-28T20:14:11Z)
• Random survival forests for competing risks with multivariate longitudinal endogenous covariates [0.0]
  本稿では,多数の長手予測器を用いて事象の確率を予測する革新的な手法を提案する。 DynForestは、内因性縦予測器を扱う競合するリスクのためのランダムサバイバル森林の拡張である。
  論文  参考訳（メタデータ） (2022-08-11T12:58:11Z)
• Analysis and classification of main risk factors causing stroke in Shanxi Province [8.205220957412354]
  中国では近年、脳卒中が最初の死因となっている。 中国国家ストローク予防プロジェクト(CSPP)における「8+2」要因の重要性を評価した。 また、人間の脳卒中の確率を機械学習モデルで予測することもできる。
  論文  参考訳（メタデータ） (2021-05-29T14:27:08Z)
• The Neural Coding Framework for Learning Generative Models [91.0357317238509]
  本稿では,脳の予測処理理論に触発された新しい神経生成モデルを提案する。 同様に、私たちの生成モデルにおける人工ニューロンは、隣接するニューロンが何をするかを予測し、予測が現実にどの程度一致するかに基づいてパラメータを調整します。
  論文  参考訳（メタデータ） (2020-12-07T01:20:38Z)
• Patient-independent Epileptic Seizure Prediction using Deep Learning Models [39.19336481493405]
  発作予知システムの目的は、発作が起こる前に起こる前頭前脳のステージを正常に識別することである。 患者に依存しない発作予測モデルは、データセット内の複数の被験者に正確なパフォーマンスを提供するように設計されている。 患者に依存しない2つの深層学習アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-11-18T23:13:48Z)
• Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
  そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。 我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。 このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
  論文  参考訳（メタデータ） (2020-10-15T16:39:26Z)
• A self-supervised neural-analytic method to predict the evolution of COVID-19 in Romania [10.760851506126105]
  我々は、感染症の古典的な確立されたモデルであるSEIRの改良版を使用している。 本稿では,修正SEIRモデルパラメータの正しいセットを推定するために,深層畳み込みネットワークを訓練するための自己教師型アプローチを提案する。 ルーマニアの死亡率が約0.3%である場合、楽観的な結果が得られ、我々のモデルが今後最大3週間の日々の死亡数を正確に予測できることを示した。
  論文  参考訳（メタデータ） (2020-06-23T12:00:04Z)
• 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)
• Two Tier Prediction of Stroke Using Artificial Neural Networks and Support Vector Machines [0.0]
  統計的には、脳卒中は2番目の死因である。 これは脳卒中を予測できる2段階のシステムを提案する動機となった。 最初の階層では、ANN(Artificial Neural Network)を使用して、脳卒中を患う人の可能性を予測する。 ひとたび脳卒中リスクが高いと分類されると、s/heは別の階層2分類テストを行い、脳卒中の可能性を予測するために神経MRIが分析される。
  論文  参考訳（メタデータ） (2020-03-17T07:20:59Z)

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。