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: 2025-04-10 16:14:41.408048
• 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:
• 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

• Effective Predictive Modeling for Emergency Department Visits and Evaluating Exogenous Variables Impact: Using Explainable Meta-learning Gradient Boosting [0.18846515534317265]
  本稿では,毎日のED訪問を正確に予測するためのメタラーニンググラディエント・ブースター(Meta-ED)手法を提案する。 提案したMeta-EDは,4つの基礎学習者からなる。Catboost,Random Forest,Extra Tree,LightGBoostは信頼性の高いトップレベルの学習者,Multi-Layer Perceptron(MLP)である。 そこで本研究では,メタEDモデルの有効性を,23モデルを含む広範囲な比較分析により評価した。
  論文  参考訳（メタデータ） (2024-11-18T04:23:20Z)
• 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)
• 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)
• 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)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• 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)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• Deep Modeling of Growth Trajectories for Longitudinal Prediction of Missing Infant Cortical Surfaces [58.780482825156035]
  空間グラフ畳み込みニューラルネットワーク(GCNN)を用いた皮質表面の経時的予測法を提案する。 提案手法は,皮質成長軌跡をモデル化し,複数点の内曲面と外曲面を共同で予測する。 本手法が時間的皮質成長パターンの非線形性を捉えることができることを示す。
  論文  参考訳（メタデータ） (2020-09-06T18:46:04Z)

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。