Fugu-MT 論文翻訳(概要): Unsupervised Latent Pattern Analysis for Estimating Type 2 Diabetes Risk in Undiagnosed Populations

論文の概要: Unsupervised Latent Pattern Analysis for Estimating Type 2 Diabetes Risk in Undiagnosed Populations

arxiv url: http://arxiv.org/abs/2505.21824v1
Date: Tue, 27 May 2025 23:22:39 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-29 17:35:50.326587
Title: Unsupervised Latent Pattern Analysis for Estimating Type 2 Diabetes Risk in Undiagnosed Populations
Title（参考訳）: 未診断集団における2型糖尿病リスク推定のための教師なし潜在パターン解析
Authors: Praveen Kumar, Vincent T. Metzger, Scott A. Malec,
Abstract要約: 米国だけでも、診断された糖尿病の経済的負担は2022年に400億ドルを超えた。本稿では,非負行列因子化(NMF)を統計的手法と統合し,T2DMを開発するリスクのある個人を特定する新しい非教師なしフレームワークを提案する。本手法は,診断されたT2DM患者において,多型性および多剤耐性の潜伏パターンを同定し,このパターンを用いて未診断者のT2DMリスクを推定する。
参考スコア（独自算出の注目度）: 2.217205674841404
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: The global prevalence of diabetes, particularly type 2 diabetes mellitus (T2DM), is rapidly increasing, posing significant health and economic challenges. T2DM not only disrupts blood glucose regulation but also damages vital organs such as the heart, kidneys, eyes, nerves, and blood vessels, leading to substantial morbidity and mortality. In the US alone, the economic burden of diagnosed diabetes exceeded \$400 billion in 2022. Early detection of individuals at risk is critical to mitigating these impacts. While machine learning approaches for T2DM prediction are increasingly adopted, many rely on supervised learning, which is often limited by the lack of confirmed negative cases. To address this limitation, we propose a novel unsupervised framework that integrates Non-negative Matrix Factorization (NMF) with statistical techniques to identify individuals at risk of developing T2DM. Our method identifies latent patterns of multimorbidity and polypharmacy among diagnosed T2DM patients and applies these patterns to estimate the T2DM risk in undiagnosed individuals. By leveraging data-driven insights from comorbidity and medication usage, our approach provides an interpretable and scalable solution that can assist healthcare providers in implementing timely interventions, ultimately improving patient outcomes and potentially reducing the future health and economic burden of T2DM.
Abstract（参考訳）: 糖尿病、特に2型糖尿病(T2DM)の世界的な流行は急速に増加しており、健康と経済の重大な課題となっている。 T2DMは血糖調節を阻害するだけでなく、心臓、腎臓、目、神経、血管などの重要な臓器を損傷し、致死率や死亡率を低下させる。米国だけでも、診断された糖尿病の経済的負担は2022年に400億ドルを超えた。リスクのある個人を早期に検出することは、これらの影響を緩和するために重要である。 T2DM予測のための機械学習アプローチはますます採用されているが、多くは教師あり学習に依存している。この制限に対処するために,非負行列因子化(NMF)を統計的手法と統合し,T2DMを開発するリスクのある個人を特定する新しい非教師なしフレームワークを提案する。本手法は,診断されたT2DM患者において,多型性および多剤耐性の潜伏パターンを同定し,このパターンを用いて未診断者のT2DMリスクを推定する。この手法は, 医療提供者によるタイムリーな介入の実施を支援し, 患者の成果を究極的に改善し, 将来的なT2DMの健康と経済的負担を軽減できる, 解釈可能でスケーラブルなソリューションを提供する。

関連論文リスト

Insulin Resistance Prediction From Wearables and Routine Blood Biomarkers [44.735350554750916]
われわれはインスリン抵抗性の研究のために、米国全土でこれまでで最大のデータセットをリモートで採用しました。ディープニューラルネットワークモデルは、簡単に利用可能なデジタルバイオマーカーと血液バイオマーカーに基づいてインスリン抵抗を予測するために開発された。モデルでは、肥満および妊娠中の被験者の93%の感度と95%の調整された特異性を示した。
論文参考訳（メタデータ） (2025-04-30T16:10:20Z)
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)
Artificial Intelligence-Based Methods for Precision Medicine: Diabetes Risk Prediction [0.3425341633647624]
このスクーピングレビューは、T2DMリスク予測のためのAIベースのモデルに関する既存の文献を分析する。従来の機械学習モデルは、ディープラーニングモデルよりも一般的だった。単調モデルとマルチモーダルモデルの両方が有望な性能を示し、後者は前者を上回った。
論文参考訳（メタデータ） (2023-05-24T14:45:54Z)
Safe AI for health and beyond -- Monitoring to transform a health service [51.8524501805308]
機械学習アルゴリズムの出力を監視するために必要なインフラストラクチャを評価する。モデルのモニタリングと更新の例を示す2つのシナリオを提示します。
論文参考訳（メタデータ） (2023-03-02T17:27:45Z)
SACDNet: Towards Early Type 2 Diabetes Prediction with Uncertainty for Electronic Health Records [0.951828574518325]
本研究では,多頭部自己注意層と高密度層を用いた早期T2DM予測のためのニューラルネットワークアーキテクチャを提案する。提案手法は、SACDNet(Self-Attention for Comorbid Disease Net)と呼ばれ、89.3%の精度とF1スコア89.1%の精度を実現している。 T2DM予測データセットも,糖尿病4,124例と非糖尿病181,767例からなる実世界の電子健康記録(EHR)データに基づいて構築されている。
論文参考訳（メタデータ） (2023-01-12T07:14:47Z)
Secure and Privacy-Preserving Automated Machine Learning Operations into End-to-End Integrated IoT-Edge-Artificial Intelligence-Blockchain Monitoring System for Diabetes Mellitus Prediction [0.5825410941577593]
本稿では,危険因子に基づく糖尿病予測のためのIoT-edge-Artificial Intelligence (AI)-blockchainシステムを提案する。提案システムはブロックチェーンによって支えられ、異なる病院の患者からリスクファクターデータの密集したビューを得る。提案システムでは,最も正確なランダム林モデルを用いて,数値実験と比較解析を行った。
論文参考訳（メタデータ） (2022-11-13T13:57:14Z)
SynthA1c: Towards Clinically Interpretable Patient Representations for Diabetes Risk Stratification [0.5551483435671848]
2型糖尿病(T2DM)の早期診断は、タイムリーな治療介入とライフスタイルの変更を可能にするために重要である。画像由来の表現型と身体検査データを組み合わせて糖尿病リスクを正確に予測できることを示す。
論文参考訳（メタデータ） (2022-09-20T23:39:52Z)
SurvLatent ODE : A Neural ODE based time-to-event model with competing risks for longitudinal data improves cancer-associated Deep Vein Thrombosis (DVT) prediction [68.8204255655161]
本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。 SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
論文参考訳（メタデータ） (2022-04-20T17:28:08Z)
Dual-Consistency Semi-Supervised Learning with Uncertainty Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
論文参考訳（メタデータ） (2021-04-07T16:23:35Z)
An explainable XGBoost-based approach towards assessing the risk of cardiovascular disease in patients with Type 2 Diabetes Mellitus [1.761604268733064]
糖尿病患者における心血管疾患(CVD)は障害・死亡の重要な原因である本研究の目的は、T2DM患者における致命的または非致死的CVDの発症に関するパーソナライズされたリスク予測モデルを開発し、評価することである。
論文参考訳（メタデータ） (2020-09-14T12:19:10Z)
Short Term Blood Glucose Prediction based on Continuous Glucose Monitoring Data [53.01543207478818]
本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
論文参考訳（メタデータ） (2020-02-06T16:39:44Z)

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。