論文の概要: Artificial Intelligence for Pediatric Height Prediction Using Large-Scale Longitudinal Body Composition Data

• arxiv url: http://arxiv.org/abs/2504.06979v1
• Date: Wed, 09 Apr 2025 15:32:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-17 16:35:10.246366
• Title: Artificial Intelligence for Pediatric Height Prediction Using Large-Scale Longitudinal Body Composition Data
• Title（参考訳）: 大規模縦型体組成データを用いた小児の身長予測のための人工知能
• Authors: Dohyun Chun, Hae Woon Jung, Jongho Kang, Woo Young Jang, Jihun Kim,
• Abstract要約: このモデルには、人文計測測度、体組成、標準偏差スコア、成長速度パラメータが含まれていた。 その結果, 平均RMSE, MAE, MAPEは2.51cm, 1.74cm, 1.14%, 女性は2.28cm, 1.68cm, 1.13%であった。
• 参考スコア（独自算出の注目度）: 2.11112892522772
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This study developed an accurate artificial intelligence model for predicting future height in children and adolescents using anthropometric and body composition data from the GP Cohort Study (588,546 measurements from 96,485 children aged 7-18). The model incorporated anthropometric measures, body composition, standard deviation scores, and growth velocity parameters, with performance evaluated using RMSE, MAE, and MAPE. Results showed high accuracy with males achieving average RMSE, MAE, and MAPE of 2.51 cm, 1.74 cm, and 1.14%, and females showing 2.28 cm, 1.68 cm, and 1.13%, respectively. Explainable AI approaches identified height SDS, height velocity, and soft lean mass velocity as crucial predictors. The model generated personalized growth curves by estimating individual-specific height trajectories, offering a robust tool for clinical decision support, early identification of growth disorders, and optimization of growth outcomes.
• Abstract（参考訳）: 本研究では, GPコホート研究(588,546, 96,485児7～18歳)の人文・体組成データを用いて, 子どもと思春期の将来の身長を予測するための正確な人工知能モデルを構築した。 このモデルには人文計測,体組成,標準偏差スコア,成長速度パラメータが組み込まれ,RMSE,MAE,MAPEを用いて評価された。 その結果, 平均RMSE, MAE, MAPEは2.51cm, 1.74cm, 1.14%, 女性は2.28cm, 1.68cm, 1.13%であった。 説明可能なAIアプローチは、高度SDS、高さ速度、ソフトリーン質量速度を重要な予測器として特定した。 このモデルは、個別の高度軌跡を推定し、臨床決定支援のための堅牢なツール、成長障害の早期同定、成長結果の最適化を提供することにより、パーソナライズされた成長曲線を生成する。

関連論文リスト

• Computer-aided shape features extraction and regression models for predicting the ascending aortic aneurysm growth rate [3.4332399672303513]
  局所的および大域的形状特徴は、上昇する大動脈瘤の成長を予測するために比較される。 動脈瘤は根部近くにあり,初径が大きいと成長が速くなる。
  論文  参考訳（メタデータ） (2025-03-04T10:21:20Z)
• ScaleMAI: Accelerating the Development of Trusted Datasets and AI Models [46.80682547774335]
  我々はAI統合データキュレーションとアノテーションのエージェントであるScaleMAIを提案する。 まず、ScaleMAIは25,362個のCTスキャンを作成した。 第2に、プログレッシブなヒューマン・イン・ザ・ループのイテレーションを通じて、ScaleMAIはFragship AI Modelを提供する。
  論文  参考訳（メタデータ） (2025-01-06T22:12:00Z)
• Targeted Maximum Likelihood Estimation for Integral Projection Models in Population Ecology [4.209594014085132]
  積分射影モデルから導出した特性に対する頑健で効率的な推定器を開発する。 本研究はIdaho steppe plant communityとRotifer populationsの長期研究から得られた実データを用いて広範囲にわたるシミュレーションを行う。
  論文  参考訳（メタデータ） (2024-11-12T19:56:05Z)
• CRTRE: Causal Rule Generation with Target Trial Emulation Framework [47.2836994469923]
  ターゲットトライアルエミュレーションフレームワーク(CRTRE)を用いた因果ルール生成という新しい手法を提案する。 CRTREは、アソシエーションルールの因果効果を推定するためにランダム化トライアル設計原則を適用している。 次に、病気発症予測などの下流アプリケーションにそのような関連ルールを組み込む。
  論文  参考訳（メタデータ） (2024-11-10T02:40:06Z)
• Identifying Factors to Help Improve Existing Decomposition-Based PMI Estimation Methods [3.2048813174244795]
  ビッグデータの出現により、より大規模なサンプルを使用してPMI推定法を改善することができる。 この研究は、大規模な分解データセットから249人の被験者のサンプルをキュレーションすることを含む。 その結果, 総分解率 (TDS), 人口統計因子 (年齢, 生物性, BMI) および気象関連因子 (発見, 温度履歴, 湿度履歴) はPMI/ADDモデルの精度を高めた。
  論文  参考訳（メタデータ） (2024-08-31T15:00:31Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• AXIAL: Attention-based eXplainability for Interpretable Alzheimer's Localized Diagnosis using 2D CNNs on 3D MRI brain scans [43.06293430764841]
  本研究では,3次元MRIを用いたアルツハイマー病診断の革新的手法を提案する。 提案手法では,2次元CNNがボリューム表現を抽出できるソフトアテンション機構を採用している。 ボクセルレベルの精度では、どの領域に注意が払われているかを同定し、これらの支配的な脳領域を同定する。
  論文  参考訳（メタデータ） (2024-07-02T16:44:00Z)
• Estimate the building height at a 10-meter resolution based on Sentinel data [5.080045077714947]
  本研究では,空間-スペクトル-時間的特徴データベースのセットを構築した。 これは、Sentinel-1によって提供されるSARデータ、Sentinel-2によって提供される光学データ、および建築フットプリントによって提供される形状データを組み合わせている。 時間尺度上の統計指標を抽出し、160個の特徴からなる豊富なデータベースを形成する。
  論文  参考訳（メタデータ） (2024-05-02T03:53:59Z)
• 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)
• Step length measurement in the wild using FMCW radar [81.9433966586583]
  住宅用レーダを用いたステップ長測定システムを提案する。 健常成人35名を対象に, 臨床環境の評価を行い, その妥当性を確認した。
  論文  参考訳（メタデータ） (2024-01-03T18:23:30Z)
• Explaining Deep Learning Models for Age-related Gait Classification based on time series acceleration [2.2770431622059792]
  ディープラーニングモデルは、歩行分析にビッグデータを使用することを約束している。 これらのモデル固有のブラックボックスの性質は、臨床応用に課題をもたらす。 本研究は,高齢者関連歩行パターンに対するDLに基づく歩行分類の透明性を高めることを目的としている。
  論文  参考訳（メタデータ） (2023-11-20T16:09:06Z)
• Clinical Deterioration Prediction in Brazilian Hospitals Based on Artificial Neural Networks and Tree Decision Models [56.93322937189087]
  超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
  論文  参考訳（メタデータ） (2022-12-17T23:29:14Z)

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。