論文の概要: An Explainable Disease Surveillance System for Early Prediction of Multiple Chronic Diseases

• arxiv url: http://arxiv.org/abs/2501.15969v1
• Date: Mon, 27 Jan 2025 11:26:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-28 13:58:43.324026
• Title: An Explainable Disease Surveillance System for Early Prediction of Multiple Chronic Diseases
• Title（参考訳）: 複数の慢性疾患の早期予測のための説明可能な疾患サーベイランスシステム
• Authors: Shaheer Ahmad Khan, Muhammad Usamah Shahid, Ahmad Abdullah, Ibrahim Hashmat, Muddassar Farooq,
• Abstract要約: 複数の慢性疾患に対する臨床的、実用的、説明可能な疾患監視システムを開発した。 本研究は, 来年の慢性疾患のリスクを事前に評価するために, 医療史, バイタル, 診断, 医薬品など, 日常的に利用可能なデータに焦点をあてる。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This study addresses a critical gap in the healthcare system by developing a clinically meaningful, practical, and explainable disease surveillance system for multiple chronic diseases, utilizing routine EHR data from multiple U.S. practices integrated with CureMD's EMR/EHR system. Unlike traditional systems--using AI models that rely on features from patients' labs--our approach focuses on routinely available data, such as medical history, vitals, diagnoses, and medications, to preemptively assess the risks of chronic diseases in the next year. We trained three distinct models for each chronic disease: prediction models that forecast the risk of a disease 3, 6, and 12 months before a potential diagnosis. We developed Random Forest models, which were internally validated using F1 scores and AUROC as performance metrics and further evaluated by a panel of expert physicians for clinical relevance based on inferences grounded in medical knowledge. Additionally, we discuss our implementation of integrating these models into a practical EMR system. Beyond using Shapley attributes and surrogate models for explainability, we also introduce a new rule-engineering framework to enhance the intrinsic explainability of Random Forests.
• Abstract（参考訳）: 本研究は、CureMDのEMR/EHRシステムと統合された米国の複数のプラクティスからの定期的なEHRデータを利用して、臨床的に有意義で実用的で説明可能な、複数の慢性疾患に対する疾患監視システムを開発することにより、医療システムにおける重要なギャップを解消する。 従来のシステムを使ったAIモデルとは異なり、我々のアプローチは、医療史、バイタル、診断、医薬品など、日常的に利用可能なデータに焦点を当て、来年の慢性疾患のリスクを事前に評価する。 診断に先立って,3,6,12カ月前に疾患のリスクを予測する予測モデルを用いて,各慢性疾患の3つの異なるモデルを訓練した。 我々は,F1スコアとAUROCを指標として内在的に検証し,医療知識に基づく推測に基づく臨床関連性評価のための専門医のパネルでさらに評価したランダムフォレストモデルを開発した。 さらに,これらのモデルを実用的EMRシステムに統合する実装についても論じる。 また,シャプリー属性とサロゲートモデルを用いた説明可能性の向上に加えて,ランサムフォレストの本質的な説明可能性を高めるための新しいルールエンジニアリングフレームワークも導入する。

関連論文リスト

• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• Probabilistic Temporal Prediction of Continuous Disease Trajectories and Treatment Effects Using Neural SDEs [6.5527554277858275]
  神経差分方程式(NSDE)による疾患進行の持続的時間的進化をモデル化するための最初の因果時間的枠組みを提示する。 本研究は,将来のMS障害(EDSSなど)と治療効果を正確に予測するための,不確実性に基づく因果学習(DL)モデルとして,最初の成功例を示す。
  論文  参考訳（メタデータ） (2024-06-18T17:22:55Z)
• A Concept-based Interpretable Model for the Diagnosis of Choroid Neoplasias using Multimodal Data [28.632437578685842]
  我々は成人で最も多い眼がんである脈絡膜新生症(5.1%)に焦点を当てた。 本研究は,3種類の脈絡膜腫瘍を識別する概念に基づく解釈可能なモデルを提案する。 注目すべきは、このモデルがブラックボックスモデルに匹敵するF1スコアの0.91を達成する一方で、ジュニア医師の診断精度を42%向上させることである。
  論文  参考訳（メタデータ） (2024-03-08T07:15:53Z)
• ICE-NODE: Integration of Clinical Embeddings with Neural Ordinary Differential Equations [0.0]
  ICE-NODEは、臨床コードとニューラルなODEの埋め込みを統合して、EHRの患者軌道を学習し、予測するアーキテクチャである。 我々は、ICE-NODEが急性腎不全や肺心疾患などの特定の疾患の予測に優れており、さらなる予測に活用できる患者リスクトラジェクトリを時間とともに生成できることを示した。
  論文  参考訳（メタデータ） (2022-07-05T08:13:46Z)
• SurvLatent ODE : A Neural ODE based time-to-event model with competing risks for longitudinal data improves cancer-associated Deep Vein Thrombosis (DVT) prediction [68.8204255655161]
  本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。 そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。 SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
  論文  参考訳（メタデータ） (2022-04-20T17:28:08Z)
• Integrating Expert ODEs into Neural ODEs: Pharmacology and Disease Progression [71.7560927415706]
  潜在ハイブリッドモデル(LHM)は、専門家が設計したODEのシステムと機械学習したNeural ODEを統合し、システムのダイナミクスを完全に記述する。 新型コロナウイルス患者のLHMと実世界の集中治療データについて検討した。
  論文  参考訳（メタデータ） (2021-06-05T11:42:45Z)
• Supervised multi-specialist topic model with applications on large-scale electronic health record data [3.322262654060203]
  本研究では,MixEHR-Sを,EHRデータから専門分野別トピックを共同推定する。 効率的な推論のために,閉形式崩壊変分推論アルゴリズムを開発した。 MixEHR-Sは3つの応用において、最も予測可能な潜在トピックの中で臨床的に有意義な潜在トピックを授与した。
  論文  参考訳（メタデータ） (2021-05-04T01:27:11Z)
• Variational Knowledge Distillation for Disease Classification in Chest X-Rays [102.04931207504173]
  我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。 提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
  論文  参考訳（メタデータ） (2021-03-19T14:13:56Z)
• 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)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)
• Deep Recurrent Model for Individualized Prediction of Alzheimer's Disease Progression [4.034948808542701]
  アルツハイマー病(Alzheimer's disease, AD)は認知症の主要な原因の一つであり、数年間の進行が遅いことが特徴である。 本稿では,MRIバイオマーカーの表現型測定と臨床状態の軌跡を予測できる新しい計算フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-05-06T08:08:00Z)

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。