論文の概要: Treatment Non-Adherence Bias in Clinical Machine Learning: A Real-World Study on Hypertension Medication

• arxiv url: http://arxiv.org/abs/2502.19625v1
• Date: Wed, 26 Feb 2025 23:30:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-28 14:56:47.165855
• Title: Treatment Non-Adherence Bias in Clinical Machine Learning: A Real-World Study on Hypertension Medication
• Title（参考訳）: 臨床学習における非接着性バイアスの治療 : 高血圧治療の実態調査
• Authors: Zhongyuan Liang, Arvind Suresh, Irene Y. Chen,
• Abstract要約: 本研究では,非遺伝治療が因果推論と予測モデルの両方を歪ませる暗黙バイアスをいかに導入するかを検討する。 本研究は, 患者に報告された副作用や補充困難などの要因とともに, 非アドヒアランスに関連する重要な人口統計学的, 臨床的要因を同定する。 このことは、責任と公平な臨床機械学習システムの開発において、治療の非整合性に対する説明の重要性を強調している。
• 参考スコア（独自算出の注目度）: 3.452725432283546
• License:
• Abstract: Machine learning systems trained on electronic health records (EHRs) increasingly guide treatment decisions, but their reliability depends on the critical assumption that patients follow the prescribed treatments recorded in EHRs. Using EHR data from 3,623 hypertension patients, we investigate how treatment non-adherence introduces implicit bias that can fundamentally distort both causal inference and predictive modeling. By extracting patient adherence information from clinical notes using a large language model, we identify 786 patients (21.7%) with medication non-adherence. We further uncover key demographic and clinical factors associated with non-adherence, as well as patient-reported reasons including side effects and difficulties obtaining refills. Our findings demonstrate that this implicit bias can not only reverse estimated treatment effects, but also degrade model performance by up to 5% while disproportionately affecting vulnerable populations by exacerbating disparities in decision outcomes and model error rates. This highlights the importance of accounting for treatment non-adherence in developing responsible and equitable clinical machine learning systems.
• Abstract（参考訳）: 電子健康記録(EHR)に基づいてトレーニングされた機械学習システムは、治療決定をガイドする傾向にあるが、その信頼性は、患者がEHRに記録された所定の治療に従うという批判的な仮定に依存する。 高血圧患者3,623人のEHRデータを用いて,非依存治療が因果推論と予測モデルの両方を根本的に歪ませる暗黙のバイアスをいかに導入するかを検討した。 大規模言語モデルを用いて臨床手帳から患者付着情報を抽出し, 薬物非依存症786例 (21.7%) を同定した。 また, 患者に報告された副作用や補充困難などの要因も明らかにした。 その結果, この暗黙バイアスは, 治療効果を逆転させるだけでなく, モデル性能を最大5%低下させるだけでなく, 決定結果の不一致やモデル誤り率を悪化させることで, 脆弱な集団に不均等に影響を及ぼすことを示した。 このことは、責任と公平な臨床機械学習システムの開発において、治療の非整合性に対する説明の重要性を強調している。

関連論文リスト

• Machine Learning-Based Prediction of ICU Readmissions in Intracerebral Hemorrhage Patients: Insights from the MIMIC Databases [0.0]
  脳内出血(英:cerebral hemorrhage、ICH)は、脳内出血を特徴とする生命リスクの病態である。 本研究は,集中治療のための医療情報マート(MIMIC-IIIおよびMIMIC-IV)データベースを用いて,ICU受信リスク予測モデルを開発した。
  論文  参考訳（メタデータ） (2025-01-02T10:19:27Z)
• Access to care improves EHR reliability and clinical risk prediction model performance [1.5020330976600735]
  134,513人からなる全Usデータセットを用いて,医療機械学習パイプラインへのケアアクセスの効果を検討した。 以上の結果より, 患者自己申告条件により, コスト制約や遅発性ケアを要した患者は, EHRの信頼性が低下することが明らかとなった。 これらの結果は、医療アクセスがデータの信頼性と臨床予測性能の両方に系統的に影響を及ぼすという最初の大規模な証拠となる。
  論文  参考訳（メタデータ） (2024-12-10T18:00:53Z)
• Causal machine learning for predicting treatment outcomes [75.13093479526151]
  Causal Machine Learning (ML)は、治療結果を予測するフレキシブルでデータ駆動の方法を提供する。 因果MLの主な利点は、個別化された治療効果を推定できることである。
  論文  参考訳（メタデータ） (2024-10-11T12:39:08Z)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• Machine Learning Techniques for Predicting the Short-Term Outcome of Resective Surgery in Lesional-Drug Resistance Epilepsy [1.759008116536278]
  7つのディフフェレント分類アルゴリズムを用いてデータを解析した。 線形カーネルを持つサポートベクターマシン(SVM)の精度は76.1%であった。
  論文  参考訳（メタデータ） (2023-02-10T13:04:47Z)
• Prediction of drug effectiveness in rheumatoid arthritis patients based on machine learning algorithms [2.5759046095742453]
  慢性関節リウマチ(RA)は、患者の免疫系が誤って自身の組織を標的としたときに引き起こされる自己免疫疾患である。 機械学習(ML)は、患者の電子的健康記録のパターンを特定し、患者の結果を改善する最良の臨床治療を予測する可能性がある。 本研究は, 臨床データから情報を取り出すためのデータ処理パイプラインを設計し, 機能的使用のために前処理し, 2) 薬物に対するRA患者の反応を予測し, 分類モデルの性能を評価するためのTNFフレームワークを導入した。
  論文  参考訳（メタデータ） (2022-10-14T15:15:37Z)
• Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
  治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。 ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。 我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
  論文  参考訳（メタデータ） (2022-06-16T17:59:05Z)
• Disentangled Counterfactual Recurrent Networks for Treatment Effect Inference over Time [71.30985926640659]
  本稿では,DCRN(Disentangled Counterfactual Recurrent Network)を提案する。 時間とともに治療効果の因果構造に完全にインスパイアされたアーキテクチャでは、予測精度と疾患理解が向上する。 実データとシミュレーションデータの両方において,DCRNが処理応答予測の最先端手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-12-07T16:40:28Z)
• Literature-Augmented Clinical Outcome Prediction [10.46990394710927]
  EBMとAIベースの臨床モデルとのギャップを埋める技術を導入する。 集中治療(ICU)患者情報に基づいて患者固有の文献を自動的に検索するシステムを提案する。 我々のモデルは,最近の強靭なベースラインと比較して,3つの課題に対する予測精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2021-11-16T11:19:02Z)
• 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)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)

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。