論文の概要: Identifying Heart Attack Risk in Vulnerable Population: A Machine Learning Approach

• arxiv url: http://arxiv.org/abs/2505.21139v1
• Date: Tue, 27 May 2025 12:51:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-28 17:05:58.652889
• Title: Identifying Heart Attack Risk in Vulnerable Population: A Machine Learning Approach
• Title（参考訳）: 脆弱人口における心臓発作リスクの同定 : 機械学習によるアプローチ
• Authors: Subhagata Chattopadhyay, Amit K Chattopadhyay,
• Abstract要約: 本研究は、13の心臓発作危険因子とその感受性を評価する際に、疫学的データを分析するためのハイブリッド機械学習手法を用いている。 この研究は、調査された13のリスク要因に対して、心臓発作を経験する可能性の強い関連性を明らかにしている。 閉経後患者の増悪リスクは、エストロゲン欠乏による個人的リスク要因を損なうことを示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The COVID-19 pandemic has significantly increased the incidence of post-infection cardiovascular events, particularly myocardial infarction, in individuals over 40. While the underlying mechanisms remain elusive, this study employs a hybrid machine learning approach to analyze epidemiological data in assessing 13 key heart attack risk factors and their susceptibility. Based on a unique dataset that combines demographic, biochemical, ECG, and thallium stress-tests, this study categorizes distinct subpopulations against varying risk profiles and then divides the population into 'at-risk' (AR) and 'not-at-risk' (NAR) groups using clustering algorithms. The study reveals strong association between the likelihood of experiencing a heart attack on the 13 risk factors studied. The aggravated risk for postmenopausal patients indicates compromised individual risk factors due to estrogen depletion that may be, further compromised by extraneous stress impacts, like anxiety and fear, aspects that have traditionally eluded data modeling predictions.
• Abstract（参考訳）: 新型コロナウイルス(COVID-19)のパンデミックは、感染後の心血管イベント、特に心筋梗塞の頻度を40人以上で大幅に増加させた。 基礎となるメカニズムはいまだ解明されていないが、本研究では、13の心臓発作危険因子とその感受性を評価する上で、疫学的データを分析するためのハイブリッド機械学習手法を用いている。 本研究は, 個体群, 生化学的, 心電図, タリウムストレステストを組み合わせた独自のデータセットに基づいて, 異なるリスクプロファイルに対して異なるサブ集団を分類し, 集団群をクラスタリングアルゴリズムを用いて'at-risk'(AR)と'not-at-risk'(NAR)グループに分割する。 この研究は、調査された13のリスク要因に対して、心臓発作を経験する可能性の強い関連性を明らかにしている。 閉経後患者の増悪リスクは、エストロゲンの枯渇による個人的リスク要因を損なうことを示し、さらに不安や恐怖といった、伝統的にデータモデリングの予測から逸脱した側面によってさらに損なわれる可能性がある。

関連論文リスト

• Novel AI-Based Quantification of Breast Arterial Calcification to Predict Cardiovascular Risk [6.160906607279526]
  マンモグラフィー検査における動脈石灰化(BAC)は、心血管疾患のリスクのある女性を同定することができる。 トランスフォーマーベースのニューラルネットワークは、マンモグラムのスクリーニングにおいてBACの重症度(BACを含まない、軽度、中度、重度)を定量化した。
  論文  参考訳（メタデータ） (2025-03-17T19:38:17Z)
• HACSurv: A Hierarchical Copula-Based Approach for Survival Analysis with Dependent Competing Risks [51.95824566163554]
  本稿では,階層型アルキメデスコピュラス構造を学習する生存分析手法であるHACSurvを紹介する。 リスクと検閲の間の依存関係をキャプチャすることで、HACSurvは生存予測の精度を向上させる。
  論文  参考訳（メタデータ） (2024-10-19T18:52:18Z)
• Interpretable Survival Analysis for Heart Failure Risk Prediction [50.64739292687567]
  現状の生存モデルと解釈可能かつ競合する新しい生存分析パイプラインを提案する。 我々のパイプラインは最先端のパフォーマンスを達成し、心不全のリスク要因に関する興味深い新しい洞察を提供する。
  論文  参考訳（メタデータ） (2023-10-24T02:56:05Z)
• CARNA: Characterizing Advanced heart failure Risk and hemodyNAmic phenotypes using learned multi-valued decision diagrams [6.599394944440605]
  CARNAは、進行心不全に対する血行動態のリスク層化および表現型化の枠組みである。 機械学習による多値決定図(MVDD)の説明可能性と表現性を利用する。 侵襲的な血行動態を組み込んでおり、欠落したデータの予測を行うことができる。
  論文  参考訳（メタデータ） (2023-06-11T22:56:59Z)
• Penalized Deep Partially Linear Cox Models with Application to CT Scans of Lung Cancer Patients [42.09584755334577]
  肺がんは世界中のがん死亡の原因であり、効果的な治療法を設計するための死亡リスクを理解することの重要性を強調している。 NLST(National Lung Screening Trial)は、肺がん患者の死亡リスクを定量化するために、CTテクスチャ解析を用いている。 本稿では,SCADペナルティを組み込んで重要なテクスチャ特徴を抽出し,深層ニューラルネットワークを用いてモデルの非パラメトリック成分を推定する,Pentalized Deep partially Linear Cox Model (Penalized DPLC)を提案する。
  論文  参考訳（メタデータ） (2023-03-09T15:38:16Z)
• Deep Learning of Semi-Competing Risk Data via a New Neural Expectation-Maximization Algorithm [5.253100011321437]
  私たちのモチベーションはボストン肺がん研究(Boston Lung Cancer Study)から来ています。 本稿では,古典的統計的アプローチと機械学習のギャップを埋めるために,ニューラル予測最大化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-12-22T20:38:57Z)
• Risk factor identification for incident heart failure using neural network distillation and variable selection [24.366241122862473]
  リスク関連同定のための確立されたディープラーニングモデルによって学習された隠れたパターンを解く2つの方法を提案する。 788,880例(8.3%の心不全)のコホートが検討された。 モデル蒸留では, 心不全に関連する598例と379例を, 人口レベルでそれぞれ同定した。 これらの重要な集団レベルの知見に加えて, 臨床における心不全の出現を考慮し, 個人レベルでの解釈へのアプローチを開発した。
  論文  参考訳（メタデータ） (2021-02-17T10:20:38Z)
• Covid-19 risk factors: Statistical learning from German healthcare claims data [0.0]
  我々は、AOK Bayernの請求データを用いた振り返りコホート研究に基づいて、Covid-19の重度、重度、致命的なコースに対する事前のリスク要因を分析した。 方法として,候補因子の事前グループ化と事前選択を回避し,医療分類システムからの詳細な階層情報を利用する。
  論文  参考訳（メタデータ） (2021-02-04T15:48:21Z)
• Epidemic mitigation by statistical inference from contact tracing data [61.04165571425021]
  我々は,個人が感染するリスクを推定するためにベイズ推定法を開発した。 本稿では,感染防止のための検査・隔離戦略を最適化するために,確率論的リスク推定手法を提案する。 我々のアプローチは、最近接触した個人間の通信のみを必要とする、完全に分散されたアルゴリズムに変換されます。
  論文  参考訳（メタデータ） (2020-09-20T12:24:45Z)
• Survival Cluster Analysis [93.50540270973927]
  異なるリスクプロファイルを持つサブポピュレーションを特定するために、生存分析には未解決の必要性がある。 このニーズに対処するアプローチは、個々の成果のキャラクタリゼーションを改善する可能性が高い。
  論文  参考訳（メタデータ） (2020-02-29T22:41:21Z)

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。