Fugu-MT 論文翻訳(概要): Enhanced prediction of spine surgery outcomes using advanced machine learning techniques and oversampling methods

論文の概要: Enhanced prediction of spine surgery outcomes using advanced machine learning techniques and oversampling methods

arxiv url: http://arxiv.org/abs/2503.18996v1
Date: Sun, 23 Mar 2025 22:39:19 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-26 16:51:33.177963
Title: Enhanced prediction of spine surgery outcomes using advanced machine learning techniques and oversampling methods
Title（参考訳）: 高度な機械学習技術とオーバーサンプリング法による脊椎手術成績の予測
Authors: José Alberto Benítez-Andrades, Camino Prada-García, Nicolás Ordás-Reyes, Marta Esteban Blanco, Alicia Merayo, Antonio Serrano-García,
Abstract要約: 本研究は,オーバーサンプリング手法とグリッド探索最適化を取り入れ,脊椎手術結果を予測するための高度な機械学習手法を提案する。改良されたKNNモデルは76%の精度と67%のF1スコアを実現し、グリッド探索の最適化によりパフォーマンスが向上した。
参考スコア（独自算出の注目度）: 0.32985979395737786
License:
Abstract: The study proposes an advanced machine learning approach to predict spine surgery outcomes by incorporating oversampling techniques and grid search optimization. A variety of models including GaussianNB, ComplementNB, KNN, Decision Tree, and optimized versions with RandomOverSampler and SMOTE were tested on a dataset of 244 patients, which included pre-surgical, psychometric, socioeconomic, and analytical variables. The enhanced KNN models achieved up to 76% accuracy and a 67% F1-score, while grid-search optimization further improved performance. The findings underscore the potential of these advanced techniques to aid healthcare professionals in decision-making, with future research needed to refine these models on larger and more diverse datasets.
Abstract（参考訳）: 本研究は,オーバーサンプリング手法とグリッド探索最適化を取り入れ,脊椎手術結果を予測するための高度な機械学習手法を提案する。 GaussianNB、ComplementNB、KNN、Decision Tree、RandomOverSampler、SMOTEと最適化されたバージョンを含む様々なモデルが244人の患者のデータセットでテストされた。改良されたKNNモデルは76%の精度と67%のF1スコアを実現し、グリッド探索の最適化によりパフォーマンスが向上した。この発見は、医療専門家が意思決定に役立てるための高度な技術の可能性を強調しており、今後はより大規模で多様なデータセットでこれらのモデルを洗練していく必要がある。

関連論文リスト

Optimizing Disease Prediction with Artificial Intelligence Driven Feature Selection and Attention Networks [0.0]
この記事では、先駆的なアンサンブル特徴選択モデルを紹介します。提案モデルの中心には、最適な特徴選択のための新しいアプローチであるSEV-EBアルゴリズムがある。 HSC-AttentionNetが導入され、モデルが健康データ内の短期パターンと長期依存関係の両方をキャプチャできる。
論文参考訳（メタデータ） (2024-07-31T14:12:27Z)
Enhancing Eye Disease Diagnosis with Deep Learning and Synthetic Data Augmentation [0.0]
本稿では,糖尿病網膜症の早期発見と管理を目的としたアンサンブル学習手法を提案する。提案したモデルはAPTOSデータセット上でテストされ、以前のモデルと比較して検証精度(99%)の優位性を示している。
論文参考訳（メタデータ） (2024-07-25T04:09:17Z)
Two new feature selection methods based on learn-heuristic techniques for breast cancer prediction: A comprehensive analysis [6.796017024594715]
帝国主義競争アルゴリズム(ICA)とバットアルゴリズム(BA)に基づく2つの新しい特徴選択法を提案する。本研究は, 診断モデルの効率を向上し, 臨床医師がこれまでよりもはるかに正確かつ信頼性の高い意思決定を行えるよう包括的分析を行うことを目的とする。
論文参考訳（メタデータ） (2024-07-19T19:07:53Z)
Comparative Study of Machine Learning Algorithms in Detecting Cardiovascular Diseases [0.0]
機械学習技術を用いた心血管疾患(CVD)の検出は、医学的診断において大きな進歩を示している。本研究では,ロジスティック回帰,決定木,ランダムフォレスト,グラディエントブースティング,サポートベクトルマシン(SVM),K-Nearest Neighbors(KNN),XGBoostなど,さまざまな機械学習アルゴリズムの比較分析を行った。本研究は,アンサンブル法と高度なアルゴリズムを用いて信頼性の高い予測を行い,CVD検出のための包括的枠組みを提供する。
論文参考訳（メタデータ） (2024-05-27T11:29:54Z)
Application of Machine Learning Algorithms in Classifying Postoperative Success in Metabolic Bariatric Surgery: A Comprehensive Study [0.32985979395737786]
本研究は, メタボリック・バリウム手術の文脈において, 患者を分類するための新しい機械学習手法を提案する。 GaussianNB、ComplementNB、KNN、Decision Tree、RandomOverSamplerのKNN、SMOTEのKNNなど、さまざまな機械学習モデルを73人のデータセットに適用した。
論文参考訳（メタデータ） (2024-03-29T11:27:37Z)
Recent Advances in Predictive Modeling with Electronic Health Records [71.19967863320647]
EHRデータを予測モデリングに利用すると、その特徴からいくつかの課題が生じる。深層学習は、医療を含む様々な応用においてその優位性を示している。
論文参考訳（メタデータ） (2024-02-02T00:31:01Z)
Exploring linguistic feature and model combination for speech recognition based automatic AD detection [61.91708957996086]
音声ベースの自動ADスクリーニングシステムは、他の臨床スクリーニング技術に代わる非侵襲的でスケーラブルな代替手段を提供する。専門的なデータの収集は、そのようなシステムを開発する際に、モデル選択と特徴学習の両方に不確実性をもたらす。本稿では,BERT と Roberta の事前学習したテキストエンコーダのドメイン微調整の堅牢性向上のための特徴とモデルの組み合わせ手法について検討する。
論文参考訳（メタデータ） (2022-06-28T05:09:01Z)
Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
論文参考訳（メタデータ） (2022-04-09T13:04:36Z)
A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文参考訳（メタデータ） (2021-06-25T20:09:23Z)
A Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning [49.86828302591469]
35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。 RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
論文参考訳（メタデータ） (2020-04-30T20:42:17Z)
Generative Data Augmentation for Commonsense Reasoning [75.26876609249197]
G-DAUGCは、低リソース環境でより正確で堅牢な学習を実現することを目的とした、新しい生成データ拡張手法である。 G-DAUGCは、バックトランスレーションに基づく既存のデータ拡張手法を一貫して上回っている。分析の結果,G-DAUGCは多種多様な流線型学習例を産出し,その選択と学習アプローチが性能向上に重要であることが示された。
論文参考訳（メタデータ） (2020-04-24T06:12:10Z)

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。