論文の概要: Absolute Risk Prediction for Cannabis Use Disorder Using Bayesian Machine Learning

• arxiv url: http://arxiv.org/abs/2501.09156v1
• Date: Wed, 15 Jan 2025 21:17:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-17 15:09:52.997359
• Title: Absolute Risk Prediction for Cannabis Use Disorder Using Bayesian Machine Learning
• Title（参考訳）: ベイズ機械学習を用いた大麻使用障害の絶対リスク予測
• Authors: Tingfang Wang, Joseph M. Boden, Swati Biswas, Pankaj K. Choudhary,
• Abstract要約: 提案モデルは,SUDにおける最初の絶対リスク予測モデルである。 将来、CUDを開発するリスクが高い青少年や青年の物質使用者を特定するために、臨床医を支援することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Introduction: Substance use disorders (SUDs) have emerged as a pressing public health crisis in the United States, with adolescent substance use often leading to SUDs in adulthood. Effective strategies are needed to prevent this progression. To help in filling this need, we develop a novel and the first-ever absolute risk prediction model for cannabis use disorder (CUD) for adolescent or young adult cannabis users. Methods: We train a Bayesian machine learning model that provides a personalized CUD absolute risk for adolescent or young adult cannabis users using data from the National Longitudinal Study of Adolescent to Adult Health. Model performance is assessed using 5-fold cross-validation (CV) with area under the curve (AUC) and ratio of the expected to observed number of cases (E/O). External validation of the final model is conducted using two independent datasets. Results: The proposed model has five risk factors: biological sex, delinquency, and scores on personality traits of conscientiousness, neuroticism, and openness. For predicting CUD risk within five years of first cannabis use, AUC and E/O, computed via 5-fold CV, were 0.68 and 0.95, respectively. For the same type of prediction in external validation, AUC values were 0.64 and 0.75, with E/O values of 0.98 and 1, indicating good discrimination and calibration performances of the model. Discussion and Conclusion: The proposed model is the first absolute risk prediction model for an SUD. It can aid clinicians in identifying adolescent/youth substance users at a high risk of developing CUD in future for clinically appropriate interventions.
• Abstract（参考訳）: はじめ: 物質使用障害(SUD)は米国で公衆衛生の危機を迫られ、青年期の物質の使用が成人のSUDにつながることがしばしばある。 この進行を防ぐために効果的な戦略が必要である。 このニーズを満たすために,若年者や若年者大麻使用者を対象に,大麻使用障害(CUD)に関する新しい絶対リスク予測モデルを構築した。 方法: 若年者, 若年者大麻使用者に対して, 全国青年・成人健康縦断調査のデータを用いて, パーソナライズされたCUD絶対リスクを提供するベイズ機械学習モデルを訓練する。 モデル性能は,曲線下(AUC)と観測された症例数(E/O)の比率の5倍のクロスバリデーション(CV)を用いて評価した。 最終モデルの外部検証は、2つの独立したデータセットを用いて行われる。 結果: 提案モデルには, 生物学的性, 怠慢, 個性特性, 神経性, 開放性のスコアの5つの危険因子がある。 第一大麻使用から5年以内にCUDリスクを予測するために、5倍CVで計算されたAUCとE/Oはそれぞれ0.68と0.95であった。 外部検証における同じ種類の予測では、AUC値は0.64と0.75であり、E/O値は0.98と1であり、モデルの良質な識別と校正性能を示している。 考察と結論:提案モデルはSUDにとって最初の絶対リスク予測モデルである。 将来、臨床的に適切な介入のためにCUDを開発するリスクが高く、青少年や青年の物質使用者を特定することを助けることができる。

関連論文リスト

• 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)
• Towards Clinical Prediction with Transparency: An Explainable AI Approach to Survival Modelling in Residential Aged Care [0.0]
  この研究は、機械学習を用いて高齢者ケアの生存モデルを作成し、死亡リスク要因に関する臨床的知見と一致させる。 主な死亡率予測には、年齢、男性性、移動性、健康状態、圧力潰瘍リスク、食欲などが含まれる。
  論文  参考訳（メタデータ） (2023-12-01T01:11:16Z)
• 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)
• Diagnosis Uncertain Models For Medical Risk Prediction [80.07192791931533]
  本研究は, 患者の診断にはアクセスできない, バイタルサイン, 検査値, 既往歴にアクセス可能な患者リスクモデルについて考察する。 このようなすべての原因のリスクモデルが、診断全体にわたって良い一般化を持つが、予測可能な障害モードを持つことが示される。 患者診断の不確実性から生じるリスク予測の不確実性を明示的にモデル化し,この問題に対する対策を提案する。
  論文  参考訳（メタデータ） (2023-06-29T23:36:04Z)
• Learning Clinical Concepts for Predicting Risk of Progression to Severe COVID-19 [17.781861866125023]
  大手医療機関のデータを用いて、重度の新型コロナウイルスの進行を予測する生存モデルを開発する。 i) 利用可能なすべての特徴から構築された制約のないモデル,(ii) リスク予測器を訓練する前に少数の臨床概念を学習するパイプラインである。
  論文  参考訳（メタデータ） (2022-08-28T02:59:35Z)
• A New Approach for Interpretability and Reliability in Clinical Risk Prediction: Acute Coronary Syndrome Scenario [0.33927193323747895]
  我々は、リスクスコアと機械学習モデルの両方の最高の特徴を組み合わせた、新たなリスクアセスメント方法論を作成するつもりです。 提案手法は、標準LRと同一の試験結果を得たが、より優れた解釈性とパーソナライゼーションを提供する。 個人予測の信頼性推定は誤分類率と大きな相関を示した。
  論文  参考訳（メタデータ） (2021-10-15T19:33:46Z)
• Development of a dynamic type 2 diabetes risk prediction tool: a UK Biobank study [0.8620335948752806]
  英国バイオバンクデータセットの301機能を用いて10年間の2型糖尿病リスクスコアを算出した。 Cox比例ハザードモデルは、同じ特徴を使ってトレーニングされたDeepSurvモデルをわずかに上回った。 このツールは、2型糖尿病のリスクのある患者の臨床スクリーニングや患者のエンパワーメントの促進に使用できる。
  論文  参考訳（メタデータ） (2021-04-20T16:37:26Z)
• Development of an accessible 10-year Digital CArdioVAscular (DiCAVA) risk assessment: a UK Biobank study [0.46180371154032895]
  目標は、統計的および機械学習技術を使用して新しいリスクモデル(DiCAVA)を開発することであった。 第二の目標は、CVDリスクアセスメントに組み込むことができる新しい患者中心変数を特定することでした。
  論文  参考訳（メタデータ） (2021-04-20T16:01:50Z)
• 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)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• Robustness to Spurious Correlations via Human Annotations [100.63051542531171]
  本稿では,人間に共通する因果関係の知識を活用して,素因関係に頑健なモデルを構築するための枠組みを提案する。 具体的には、人間のアノテーションを使用して、潜在的な未測定変数でトレーニング例を拡大する。 次に,未測定変数(UV-DRO)に対する分布性に頑健な新たな最適化手法を導入し,テスト時間シフトによる最悪の損失を制御する。
  論文  参考訳（メタデータ） (2020-07-13T20:05:19Z)

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。