論文の概要: Interpretable AI-driven Guidelines for Type 2 Diabetes Treatment from Observational Data

• arxiv url: http://arxiv.org/abs/2504.12417v1
• Date: Wed, 16 Apr 2025 18:29:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-18 14:37:11.355930
• Title: Interpretable AI-driven Guidelines for Type 2 Diabetes Treatment from Observational Data
• Title（参考訳）: 観察データによる2型糖尿病治療の解釈可能なAI駆動ガイドライン
• Authors: Dewang Kumar Agarwal, Dimitris J. Bertsimas,
• Abstract要約: 我々は,2型糖尿病治療の進行に関する正確な,構造化された,データ支援のガイドラインを作成している。 治療変更を処方するために、AIが支援するツリーベースのモデルをトレーニングします。 このプロセスでは、アグレッシブな選択肢を考慮せずに、よりアグレッシブな治療を優先します。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Objective: Create precise, structured, data-backed guidelines for type 2 diabetes treatment progression, suitable for clinical adoption. Research Design and Methods: Our training cohort was composed of patient (with type 2 diabetes) visits from Boston Medical Center (BMC) from 1998 to 2014. We divide visits into 4 groups based on the patient's treatment regimen before the visit, and further divide them into subgroups based on the recommended treatment during the visit. Since each subgroup has observational data, which has confounding bias (sicker patients are prescribed more aggressive treatments), we used machine learning and optimization to remove some datapoints so that the remaining data resembles a randomized trial. On each subgroup, we train AI-backed tree-based models to prescribe treatment changes. Once we train these tree models, we manually combine the models for every group to create an end-to-end prescription pipeline for all patients in that group. In this process, we prioritize stepping up to a more aggressive treatment before considering less aggressive options. We tested this pipeline on unseen data from BMC, and an external dataset from Hartford healthcare (type 2 diabetes patient visits from January 2020 to May 2024). Results: The median HbA1c reduction achieved by our pipelines is 0.26% more than what the doctors achieved on the unseen BMC patients. For the Hartford cohort, our pipelines were better by 0.13%. Conclusions: This precise, interpretable, and efficient AI-backed approach to treatment progression in type 2 diabetes is predicted to outperform the current practice and can be deployed to improve patient outcomes.
• Abstract（参考訳）: 目的: 臨床応用に適した2型糖尿病治療進行のための正確で構造化されたデータ支援ガイドラインを作成する。 研究デザインと方法: トレーニングコホートは,1998年から2014年にかけてボストン医療センター(BMC)から来院した患者(2型糖尿病)で構成された。 訪問前患者の治療体制に基づいて4つのグループに分け,また,訪問中の推奨治療に基づいてサブグループに分けた。 各サブグループにはバイアスが生じる観測データ(シッカー患者はより攻撃的な治療を所定)があるため、機械学習と最適化を用いて、残りのデータがランダム化試行に類似するように、いくつかのデータポイントを除去した。 各サブグループでは、治療変更を処方するためにAIが支援するツリーベースモデルをトレーニングします。 これらのツリーモデルをトレーニングしたら、各グループのモデルを手動で組み合わせて、そのグループのすべての患者のためのエンドツーエンドの処方パイプラインを作成します。 このプロセスでは、アグレッシブな選択肢を考慮せずに、よりアグレッシブな治療を優先します。 私たちはこのパイプラインを、BMCの見当たらないデータと、ハートフォード医療(2020年1月から2024年5月までの2型糖尿病患者訪問)の外部データセットに基づいてテストしました。 結果: パイプラインで達成したHbA1cの中央値低下率は, 医師が未確認のBMC患者に対して達成した値より0.26%高い。 ハートフォード・コホートでは、パイプラインが0.13%向上した。 結論:2型糖尿病における治療の進行に対する、正確で解釈可能で効率的なAI支援アプローチは、現在の実践より優れていると予測され、患者の結果を改善するためにデプロイされる。

関連論文リスト

• Privacy Preserved Blood Glucose Level Cross-Prediction: An Asynchronous Decentralized Federated Learning Approach [13.363740869325646]
  新たに診断された1型糖尿病(T1D)患者は、効果的な血液グルコース(BG)予測モデルを得るのに苦慮することが多い。 Asynchronous Decentralized Federated Learning による血糖予測である「GluADFL」を提案する。
  論文  参考訳（メタデータ） (2024-06-21T17:57:39Z)
• Nurse-in-the-Loop Artificial Intelligence for Precision Management of Type 2 Diabetes in a Clinical Trial Utilizing Transfer-Learned Predictive Digital Twin [5.521385406191426]
  本研究は, 予測ディジタルツイン(PDT)を利用したオンラインナース・イン・ザ・ループ予測制御(ONLC)モデルを開発した。 PDTは、最初の3ヶ月から参加者の自己モニタリングデータ(体重、食物ログ、身体活動、グルコース)をトレーニングした。 ONLCは介入グループに個別のフィードバックとテキストメッセージによるレコメンデーションを提供した。
  論文  参考訳（メタデータ） (2024-01-05T06:38:50Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• A Meta-GNN approach to personalized seizure detection and classification [53.906130332172324]
  本稿では,特定の患者に限られた発作サンプルから迅速に適応できるパーソナライズされた発作検出・分類フレームワークを提案する。 トレーニング患者の集合からグローバルモデルを学ぶメタGNNベースの分類器を訓練する。 本手法は, 未確認患者20回に限って, 精度82.7%, F1スコア82.08%を達成し, ベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2022-11-01T14:12:58Z)
• Building Brains: Subvolume Recombination for Data Augmentation in Large Vessel Occlusion Detection [56.67577446132946]
  この戦略をデータから学ぶためには、標準的なディープラーニングベースのモデルに対して、大規模なトレーニングデータセットが必要である。 そこで本研究では, 異なる患者から血管木セグメントを組換えることで, 人工的なトレーニングサンプルを生成する方法を提案する。 拡張スキームに則って,タスク固有の入力を入力した3D-DenseNetを用いて,半球間の比較を行う。
  論文  参考訳（メタデータ） (2022-05-05T10:31:57Z)
• Unsupervised Pre-Training on Patient Population Graphs for Patient-Level Predictions [48.02011627390706]
  プレトレーニングは、コンピュータビジョン(CV)、自然言語処理(NLP)、医療画像など、機械学習のさまざまな分野で成功している。 本稿では,患者結果の予測のために,教師なし事前学習を異種マルチモーダルEHRデータに適用する。 提案手法は,人口レベルでのデータモデリングに有効であることがわかった。
  論文  参考訳（メタデータ） (2022-03-23T17:59:45Z)
• An Ensemble Approach for Patient Prognosis of Head and Neck Tumor Using Multimodal Data [0.0]
  頭頸部腫瘍の予後を予測するために,深層マルチタスクロジスティック回帰(MTLR),コックス比重ハザード(CoxPH),CNNモデルを組み込んだマルチモーダルネットワークを提案する。 提案手法は,HECKTORテストセットのC-インデックス0.72を達成し,HECKTORチャレンジの予後タスクにおける第1位を救った。
  論文  参考訳（メタデータ） (2022-02-25T07:50:59Z)
• Multi-task fusion for improving mammography screening data classification [3.7683182861690843]
  まず、個別のタスク固有のモデルのセットをトレーニングするパイプラインアプローチを提案する。 次に、標準モデルの集合戦略とは対照的に、その融合について検討する。 我々の融合アプローチは、標準モデルのアンサンブルに比べてAUCのスコアを最大0.04向上させる。
  論文  参考訳（メタデータ） (2021-12-01T13:56:27Z)
• Predicting special care during the COVID-19 pandemic: A machine learning approach [0.0]
  本稿では,患者が特別なケアを必要としているかどうかを予測するため,統計と機械学習に基づく分析手法を提案する。 また、患者がそのようなケアを受ける日数も予測する。 分析的アプローチは、他の疾患で使用することができ、病院の容量を計画するのに役立つ。
  論文  参考訳（メタデータ） (2020-11-06T00:18:27Z)
• Learning-based Computer-aided Prescription Model for Parkinson's Disease: A Data-driven Perspective [61.70045118068213]
  我々は、PD患者の症状と、神経科医が提供した処方薬を収集し、データセットを構築した。 そこで我々は、観察された症状と処方薬との関係を学習し、新しいコンピュータ支援処方薬モデルを構築した。 新来の患者に対しては、処方薬モデルにより、観察された症状に対して適切な処方薬を推奨できる(予測)。
  論文  参考訳（メタデータ） (2020-07-31T14:34:35Z)
• DTR Bandit: Learning to Make Response-Adaptive Decisions With Low Regret [59.81290762273153]
  動的治療体制 (DTR) はパーソナライズされ適応された多段階の治療計画であり、治療決定を個人の初期特徴に適応させ、その後の各段階における中間結果と特徴に適応させる。 本稿では,探索と搾取を慎重にバランスさせることで,遷移モデルと報酬モデルが線形である場合に,速度-最適後悔を実現する新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-05-06T13:03:42Z)

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。