論文の概要: Analyzing Geospatial and Socioeconomic Disparities in Breast Cancer Screening Among Populations in the United States: Machine Learning Approach

• arxiv url: http://arxiv.org/abs/2502.06800v1
• Date: Thu, 30 Jan 2025 21:07:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-16 04:36:17.171388
• Title: Analyzing Geospatial and Socioeconomic Disparities in Breast Cancer Screening Among Populations in the United States: Machine Learning Approach
• Title（参考訳）: 米国における乳癌検診における地理空間と社会経済の差異の分析 : 機械学習によるアプローチ
• Authors: Soheil Hashtarkhani, Yiwang Zhou, Fekede Asefa Kumsa, Shelley White-Means, David L Schwartz, Arash Shaban-Nejad,
• Abstract要約: 本研究はアメリカ合衆国全国の乳癌検診率を評価することを目的としている。 2018年と2020年の国勢調査におけるマンモグラフィー検診データを収集した。 72337回の国勢調査において,13変数からなる健康決定因子の大規模データセットを構築した。
• 参考スコア（独自算出の注目度）: 0.3958317527488535
• License:
• Abstract: Breast cancer screening plays a pivotal role in early detection and subsequent effective management of the disease, impacting patient outcomes and survival rates. This study aims to assess breast cancer screening rates nationwide in the United States and investigate the impact of social determinants of health on these screening rates. Data on mammography screening at the census tract level for 2018 and 2020 were collected from the Behavioral Risk Factor Surveillance System. We developed a large dataset of social determinants of health, comprising 13 variables for 72337 census tracts. Spatial analysis employing Getis-Ord Gi statistics was used to identify clusters of high and low breast cancer screening rates. To evaluate the influence of these social determinants, we implemented a random forest model, with the aim of comparing its performance to linear regression and support vector machine models. The models were evaluated using R2 and root mean squared error metrics. Shapley Additive Explanations values were subsequently used to assess the significance of variables and direction of their influence. Geospatial analysis revealed elevated screening rates in the eastern and northern United States, while central and midwestern regions exhibited lower rates. The random forest model demonstrated superior performance, with an R2=64.53 and root mean squared error of 2.06 compared to linear regression and support vector machine models. Shapley Additive Explanations values indicated that the percentage of the Black population, the number of mammography facilities within a 10-mile radius, and the percentage of the population with at least a bachelor's degree were the most influential variables, all positively associated with mammography screening rates.
• Abstract（参考訳）: 乳がん検診は早期発見とその後の疾患の効果的な管理において重要な役割を担い、患者の予後と生存率に影響を与える。 本研究は、アメリカ合衆国全国の乳癌検診率を評価し、これらの検診率に及ぼす健康の社会的要因の影響を検討することを目的とする。 2018年と2020年の国勢調査におけるマンモグラフィー検診のデータは,行動リスク因子監視システムから収集された。 72337回の国勢調査において,13変数からなる健康決定因子の大規模データセットを構築した。 Getis-Ord Gi統計を用いた空間分析により,高位および低位乳がん検診率のクラスタを同定した。 これらの社会的決定要因の影響を評価するために,線形回帰モデルと線形ベクトルマシンモデルとの比較を目的としたランダム森林モデルを実装した。 モデルはR2およびルート平均2乗誤差測定値を用いて評価した。 Shapley Additive Explanationsの値はその後、変数の意義と影響の方向性を評価するために使用された。 地理空間分析の結果、アメリカ合衆国東部と北部ではスクリーニング率が上昇し、中部と中西部ではスクリーニング率が低下した。 ランダムフォレストモデルではR2=64.53とルート平均二乗誤差が線形回帰とサポートベクターマシンモデルと比較して2.06と優れた性能を示した。 Shapley Additive Explanationsの値は、黒人人口の割合、10マイル半径内のマンモグラフィ施設数、少なくとも学士の学位を持つ人口の割合が最も影響のある変数であり、いずれもマンモグラフィ検診率と正の相関を示した。

関連論文リスト

• Predicting Breast Cancer Survival: A Survival Analysis Approach Using Log Odds and Clinical Variables [0.0]
  本研究は、乳がん患者の生存確率の予測を促進するために、Cox比例ハザードやパラメトリックサバイバルモデルなどの生存分析技術を用いている。 ナイジェリアのイバダンにあるUniversity College Hospitalが提供するデータセットから、乳がん患者1557人のデータを得た。
  論文  参考訳（メタデータ） (2024-10-17T10:01:22Z)
• 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)
• Agent-Based Model: Simulating a Virus Expansion Based on the Acceptance of Containment Measures [65.62256987706128]
  比較疫学モデルは、疾患の状態に基づいて個人を分類する。 我々は、適応されたSEIRDモデルと市民のための意思決定モデルを組み合わせたABMアーキテクチャを提案する。 スペイン・ア・コルナにおけるSARS-CoV-2感染症の進行状況について検討した。
  論文  参考訳（メタデータ） (2023-07-28T08:01:05Z)
• Supervised Machine Learning for Breast Cancer Risk Factors Analysis and Survival Prediction [0.5249805590164902]
  最も効果的な治療法の選択は、最終的には乳がん生存予測に影響されるかもしれない。 本研究では,1904年の患者記録を用いて5年間の乳癌生存を機械学習を用いて予測した。
  論文  参考訳（メタデータ） (2023-04-13T12:32:14Z)
• Cancer-Net BCa-S: Breast Cancer Grade Prediction using Volumetric Deep Radiomic Features from Synthetic Correlated Diffusion Imaging [82.74877848011798]
  乳がんの流行は成長を続けており、2023年には米国で約30万人の女性に影響を及ぼした。 金標準のScarff-Bloom-Richardson(SBR)グレードは、化学療法に対する患者の反応を一貫して示すことが示されている。 本稿では,合成相関拡散(CDI$s$)画像を用いた乳がん鑑定における深層学習の有効性について検討する。
  論文  参考訳（メタデータ） (2023-04-12T15:08:34Z)
• Deep learning methods for drug response prediction in cancer: predominant and emerging trends [50.281853616905416]
  がんを研究・治療するための計算予測モデルをエクスプロイトすることは、薬物開発の改善と治療計画のパーソナライズドデザインにおいて大きな可能性を秘めている。 最近の研究の波は、ディープラーニング手法を用いて、薬物治療に対するがん反応を予測するという有望な結果を示している。 このレビューは、この分野の現状をよりよく理解し、主要な課題と将来性のあるソリューションパスを特定します。
  論文  参考訳（メタデータ） (2022-11-18T03:26:31Z)
• Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
  6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。 グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。 当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
  論文  参考訳（メタデータ） (2022-04-22T17:27:00Z)
• Applying Machine Learning and AI Explanations to Analyze Vaccine Hesitancy [0.0]
  この論文は、人種、貧困、政治、年齢がアメリカ合衆国郡の予防接種率に与える影響を定量化している。 影響要因の影響は、異なる地理的に普遍的に同じではないことが明らかである。
  論文  参考訳（メタデータ） (2022-01-07T22:50:17Z)
• Comparative Analysis of Machine Learning Approaches to Analyze and Predict the Covid-19 Outbreak [10.307715136465056]
  疫学領域における新型コロナウイルスの流行を予測するための機械学習(ML)アプローチの比較分析を行った。 これらの結果から,短期的政策の意思決定を支援するMLアルゴリズムの利点が明らかになった。
  論文  参考訳（メタデータ） (2021-02-11T11:57:33Z)
• Effectiveness and Compliance to Social Distancing During COVID-19 [72.94965109944707]
  われわれは、米国内での新型コロナウイルスの感染拡大に対する在宅勤務注文の影響を評価するために、詳細なモビリティデータを用いている。 一方向性グランガー因果性(一方向性グランガー因果性)は、家庭で毎日過ごす時間の割合の中央値から、2週間の遅れを伴うCOVID-19関連死亡件数の日数までである。
  論文  参考訳（メタデータ） (2020-06-23T03:36:19Z)
• Learning from Suspected Target: Bootstrapping Performance for Breast Cancer Detection in Mammography [6.323318523772466]
  対象領域の選択と訓練を行う新しいサンプリング手順とともに,新しいトップ可能性損失を導入する。 まず,提案手法をプライベートな高密度マンモグラフィーデータセット上で検証する。 以上の結果から,本手法は偽陽性率を大幅に低減し,質量型癌検出では0.25倍の特異性を示した。
  論文  参考訳（メタデータ） (2020-03-01T09:04:24Z)

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。