論文の概要: MedGNN: Capturing the Links Between Urban Characteristics and Medical Prescriptions

• arxiv url: http://arxiv.org/abs/2504.04739v1
• Date: Mon, 07 Apr 2025 05:35:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-08 14:15:17.971074
• Title: MedGNN: Capturing the Links Between Urban Characteristics and Medical Prescriptions
• Title（参考訳）: MedGNN: 都市特性と医療規定のリンクをキャプチャする
• Authors: Minwei Zhao, Sanja Scepanovic, Stephen Law, Daniele Quercia, Ivica Obadic,
• Abstract要約: グラフニューラルネットワークにおける位置ノードと位置ノードの埋め込みを都市特性と統合したグラフニューラルネットワークMedGNNを提案する。 MedGNNはベースライン法と比較して平均25%以上予測を改善した。 これらの結果は、MedGNNが、より広く、慎重に機械学習を適用して、学際的な公衆衛生研究を進める可能性を示している。
• 参考スコア（独自算出の注目度）: 2.5415925266871184
• License:
• Abstract: Understanding how urban socio-demographic and environmental factors relate with health is essential for public health and urban planning. However, traditional statistical methods struggle with nonlinear effects, while machine learning models often fail to capture geographical (nearby areas being more similar) and topological (unequal connectivity between places) effects in an interpretable way. To address this, we propose MedGNN, a spatio-topologically explicit framework that constructs a 2-hop spatial graph, integrating positional and locational node embeddings with urban characteristics in a graph neural network. Applied to MEDSAT, a comprehensive dataset covering over 150 environmental and socio-demographic factors and six prescription outcomes (depression, anxiety, diabetes, hypertension, asthma, and opioids) across 4,835 Greater London neighborhoods, MedGNN improved predictions by over 25% on average compared to baseline methods. Using depression prescriptions as a case study, we analyzed graph embeddings via geographical principal component analysis, identifying findings that: align with prior research (e.g., higher antidepressant prescriptions among older and White populations), contribute to ongoing debates (e.g., greenery linked to higher and NO2 to lower prescriptions), and warrant further study (e.g., canopy evaporation correlated with fewer prescriptions). These results demonstrate MedGNN's potential, and more broadly, of carefully applied machine learning, to advance transdisciplinary public health research.
• Abstract（参考訳）: 公共衛生と都市計画には, 都市社会・環境要因が健康とどのように関係しているかを理解することが不可欠である。 しかし、従来の統計手法は非線形効果に苦慮する一方、機械学習モデルは地理的(より類似した地域)と位相的(場所間の不平等な接続)の影響を解釈可能な方法で捉えることができないことが多い。 そこで我々は,2ホップ空間グラフを構成する空間空間的空間的空間的空間的空間的空間的グラフの空間的特徴と都市的特徴を統合した空間的空間的空間的空間的空間的空間的空間的空間的グラフの空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的構造であるMedGNNを提案する。 MEDSATは、150以上の環境・社会デコグラフィー要因と6つの処方結果(うつ病、不安、糖尿病、高血圧、喘息、オピオイド)をカバーする総合的なデータセットで、4,835のグレーター・ロンドン地区に適用され、MedGNNはベースライン法と比較して平均25%以上予測を改善した。 うつ病処方薬をケーススタディとして, 地理的主成分分析を用いてグラフ埋め込みを分析し, 先行研究(例えば, 高齢者と白人の間で高い抗うつ薬処方薬)と一致し, 進行中の議論(例えば, 上位とNO2にリンクした緑化)に寄与し, さらなる研究(例えば, カノピー蒸散と少ない処方薬との相関)を保証した。 これらの結果は、MedGNNが、より広く、慎重に応用された機械学習が、学際的な公衆衛生研究を前進させる可能性を示している。

関連論文リスト

• CureGraph: Contrastive Multi-Modal Graph Representation Learning for Urban Living Circle Health Profiling and Prediction [13.681538916025021]
  都市保健予測のためのマルチモーダル表現学習フレームワークであるCureGraphを提案する。 CureGraphは、各地区の都市生活圏における高齢者の一般的な慢性疾患の頻度を推定する。 クロスモーダルな空間依存を捉え、高齢者の健康に配慮した都市環境を包括的に理解する。
  論文  参考訳（メタデータ） (2025-01-13T09:30:38Z)
• How Your Location Relates to Health: Variable Importance and Interpretable Machine Learning for Environmental and Sociodemographic Data [15.463748602675695]
  健康の結果は、場所や時間によって影響が変化する複雑な環境や社会的な要因に依存する。 我々は、これらの効果、すなわち、イギリスの健康、環境、社会デマトグラフィー情報のMEDSATデータセットを研究するために、きめ細かい空間的・時間的データを使用します。 次に、GAM(Generalized Additive Models)とMGWR(Multiscale Geographically Weighted Regression)に基づく解釈可能な機械学習フレームワークを開発する。 以上の結果から,NO2は喘息,高血圧,不安の世界的な予測因子であり,職業,結婚,植生に関連する他の結果特異的な予測因子であることがわかった。
  論文  参考訳（メタデータ） (2025-01-03T21:34:35Z)
• Integrating Social Determinants of Health into Knowledge Graphs: Evaluating Prediction Bias and Fairness in Healthcare [47.23120247002356]
  健康の社会的決定因子(SDoH)は、患者の健康結果において重要な役割を担っているが、そのバイオメディカル知識グラフへの統合は未解明のままである。 本研究では,MIMIC-IIIデータセットとPrimeKGを用いて,SDoHに富んだ知識グラフを構築することにより,このギャップを解消する。
  論文  参考訳（メタデータ） (2024-11-29T20:35:01Z)
• Epidemiology-informed Graph Neural Network for Heterogeneity-aware Epidemic Forecasting [46.63739322178277]
  最近の研究では、異種時相の流行パターンを抽出する際の時空間ニューラルネットワーク(STGNN)の強い可能性を示している。 HeatGNNは、疫学的にインフォームドされた場所を、時間とともに自分自身の伝達メカニズムを反映するさまざまな場所に埋め込むことを学ぶ。 HeatGNNは、HeatHeatのさまざまな強力なベースラインを異なるサイズで上回る。
  論文  参考訳（メタデータ） (2024-11-26T12:29:45Z)
• A Comparative Study of Population-Graph Construction Methods and Graph Neural Networks for Brain Age Regression [48.97251676778599]
  医用画像では、人口グラフが有望な結果を示しており、主に分類作業に向けられている。 人口グラフの抽出は非自明な作業であり、グラフニューラルネットワーク(GNN)の性能に大きな影響を及ぼす可能性がある 本研究では,有意義なグラフ構築の重要性を強調し,異なる集団グラフ構築手法による実験を行う。
  論文  参考訳（メタデータ） (2023-09-26T10:30:45Z)
• Multimodal brain age estimation using interpretable adaptive population-graph learning [58.99653132076496]
  下流タスクに最適化された人口グラフ構造を学習するフレームワークを提案する。 注意機構は、画像と非画像の特徴のセットに重みを割り当てる。 グラフ構築において最も重要な注意重みを可視化することにより、グラフの解釈可能性を高める。
  論文  参考訳（メタデータ） (2023-07-10T15:35:31Z)
• Decoding Urban-health Nexus: Interpretable Machine Learning Illuminates Cancer Prevalence based on Intertwined City Features [1.4010916616909745]
  年齢、少数派、人口密度は、がんの流行の最も大きな要因である。 緑地の増加、開発途上国の減少、総排出量の削減は、がんの流行を緩和する可能性がある。
  論文  参考訳（メタデータ） (2023-06-20T18:56:37Z)
• Graph-in-Graph (GiG): Learning interpretable latent graphs in non-Euclidean domain for biological and healthcare applications [52.65389473899139]
  グラフは、医療領域において、非ユークリッドな非ユークリッドデータをユビキタスに表現し、分析するための強力なツールである。 近年の研究では、入力データサンプル間の関係を考慮すると、下流タスクに正の正の正則化効果があることが示されている。 タンパク質分類と脳イメージングのためのニューラルネットワークアーキテクチャであるGraph-in-Graph(GiG)を提案する。
  論文  参考訳（メタデータ） (2022-04-01T10:01:37Z)
• IA-GCN: Interpretable Attention based Graph Convolutional Network for Disease prediction [47.999621481852266]
  タスクに対する入力特徴の臨床的関連性を解釈する,解釈可能なグラフ学習モデルを提案する。 臨床シナリオでは、そのようなモデルは、臨床専門家が診断および治療計画のためのより良い意思決定を支援することができる。 本研究では,Tadpoleの平均精度が3.2%,UKBBジェンダーが1.6%,UKBB年齢予測タスクが2%と,比較方法と比較して優れた性能を示した。
  論文  参考訳（メタデータ） (2021-03-29T13:04:02Z)
• Predicting Biomedical Interactions with Higher-Order Graph Convolutional Networks [2.9488233765621295]
  本稿では,生物医学的相互作用予測のための高次グラフ畳み込みネットワーク(HOGCN)を提案する。 タンパク質-タンパク質、薬物-ドラッグ、薬物-ターゲット、遺伝子-放出相互作用を含む4つの相互作用ネットワークの実験は、HOGCNがより正確で校正された予測を達成していることを示している。
  論文  参考訳（メタデータ） (2020-10-16T17:16:09Z)

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。