論文の概要: Comparative performance of ensemble models in predicting dental provider types: insights from fee-for-service data

• arxiv url: http://arxiv.org/abs/2506.04479v1
• Date: Wed, 04 Jun 2025 21:55:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-06 21:53:49.44196
• Title: Comparative performance of ensemble models in predicting dental provider types: insights from fee-for-service data
• Title（参考訳）: 歯科提供者型予測におけるアンサンブルモデルの比較--料金対サービスデータからの考察
• Authors: Mohammad Subhi Al-Batah, Muhyeeddin Alqaraleh, Mowafaq Salem Alzboon, Abdullah Alourani,
• Abstract要約: 本研究は,2018年モデルを用いた歯科医療者分類における機械学習モデルの性能評価を目的とした。 Nerve Networks は AUC (0.975) と CA (94.1%) を達成し、Random Forest (AUC:0.948, CA:93.0%) を続いた。 高度な機械学習技術、特にアンサンブルと深層学習モデルは、歯科労働者の分類を大幅に強化する。
• 参考スコア（独自算出の注目度）: 0.44998333629984877
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dental provider classification plays a crucial role in optimizing healthcare resource allocation and policy planning. Effective categorization of providers, such as standard rendering providers and safety net clinic (SNC) providers, enhances service delivery to underserved populations. This study aimed to evaluate the performance of machine learning models in classifying dental providers using a 2018 dataset. A dataset of 24,300 instances with 20 features was analyzed, including beneficiary and service counts across fee-for-service (FFS), Geographic Managed Care, and Pre-Paid Health Plans. Providers were categorized by delivery system and patient age groups (0-20 and 21+). Despite 38.1% missing data, multiple machine learning algorithms were tested, including k-Nearest Neighbors (kNN), Decision Trees, Support Vector Machines (SVM), Stochastic Gradient Descent (SGD), Random Forest, Neural Networks, and Gradient Boosting. A 10-fold cross-validation approach was applied, and models were evaluated using AUC, classification accuracy (CA), F1-score, precision, and recall. Neural Networks achieved the highest AUC (0.975) and CA (94.1%), followed by Random Forest (AUC: 0.948, CA: 93.0%). These models effectively handled imbalanced data and complex feature interactions, outperforming traditional classifiers like Logistic Regression and SVM. Advanced machine learning techniques, particularly ensemble and deep learning models, significantly enhance dental workforce classification. Their integration into healthcare analytics can improve provider identification and resource distribution, benefiting underserved populations.
• Abstract（参考訳）: 歯科医療提供者の分類は、医療資源配分と政策計画の最適化において重要な役割を担っている。 標準レンダリングプロバイダやセーフティネットクリニック(SNC)プロバイダなどのプロバイダの効果的な分類は、保存されていない人口へのサービス提供を強化する。 本研究は,2018年モデルを用いた歯科医療者分類における機械学習モデルの性能評価を目的とした。 サービス料金(FFS)、地理的管理ケア、プレペイドヘルスプランなど、20の機能を提供する24,300のインスタンスのデータセットを分析した。 提供者は,提供システムと患者年齢群(0～20,21+)で分類した。 k-Nearest Neighbors (kNN), Decision Trees, Support Vector Machines (SVM), Stochastic Gradient Descent (SGD), Random Forest, Neural Networks, Gradient Boostingなど。 10倍のクロスバリデーション手法を適用し,AUC,分類精度(CA),F1スコア,精度,リコールを用いてモデルの評価を行った。 ニューラルネットワークはAUC (0.975) とCA (94.1%) の最高値に達し、続いてランダムフォレスト (AUC:0.948, CA:93.0%) が続いた。 これらのモデルは、不均衡なデータと複雑な機能相互作用を効果的に処理し、ロジスティック回帰やSVMのような従来の分類器よりも優れている。 高度な機械学習技術、特にアンサンブルと深層学習モデルは、歯科労働者の分類を大幅に強化する。 医療分析への統合は、プロバイダの識別とリソースの分配を改善し、保存されていない人口に利益をもたらす。

関連論文リスト

• Classifying Dental Care Providers Through Machine Learning with Features Ranking [0.0]
  本研究では, 歯科医療機関の分類における機械学習(ML)モデルの適用について検討した。 データセットには、サービスカウント(予防、治療、試験)、デリバリーシステム(FFS、管理ケア)、受益者の人口統計が含まれる。 本研究は,モデル効率と精度の向上における特徴選択の重要性を浮き彫りにした。
  論文  参考訳（メタデータ） (2025-06-04T21:45:40Z)
• A Comprehensive Machine Learning Framework for Heart Disease Prediction: Performance Evaluation and Future Perspectives [0.0]
  本研究では,心臓病予測のための機械学習ベースのフレームワークを提案する。 提案モデルでは, 心疾患を効果的に予測し, 臨床的意思決定を支援する可能性を示す。
  論文  参考訳（メタデータ） (2025-05-15T05:13:38Z)
• Refining Tuberculosis Detection in CXR Imaging: Addressing Bias in Deep Neural Networks via Interpretability [1.9936075659851882]
  実験データから完全な分類精度を得ることができたとしても,深層学習モデルの信頼性は限られていると論じる。 大規模プロキシタスクでディープニューラルネットワークを事前トレーニングし、MOON(Mixed objective Optimization Network)を使用することで、モデルとエキスパート間の決定基盤の整合性を改善することができることを示す。
  論文  参考訳（メタデータ） (2024-07-19T06:41:31Z)
• Evaluating the Fairness of the MIMIC-IV Dataset and a Baseline Algorithm: Application to the ICU Length of Stay Prediction [65.268245109828]
  本稿では、MIMIC-IVデータセットを用いて、滞在時間を予測するXGBoostバイナリ分類モデルにおける公平性とバイアスについて検討する。 この研究は、人口統計属性にわたるデータセットのクラス不均衡を明らかにし、データ前処理と特徴抽出を採用する。 この論文は、偏見を緩和するための公正な機械学習技術と、医療専門家とデータサイエンティストの協力的な努力の必要性について結論付けている。
  論文  参考訳（メタデータ） (2023-12-31T16:01:48Z)
• Efficient Representation Learning for Healthcare with Cross-Architectural Self-Supervision [5.439020425819001]
  この課題に対応するために、クロスアーキテクチャー・セルフスーパービジョン(CASS)を紹介します。 そこで,CASSで訓練されたCNNとTransformerは,4つの多様な医療データセットにおいて,既存の自己教師型学習方法よりも優れていることを示す。 また、CASSはバッチサイズの変化やエポックの事前訓練にかなり堅牢であることを示し、医療アプリケーションにおける機械学習の候補として適している。
  論文  参考訳（メタデータ） (2023-08-19T15:57:19Z)
• 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)
• SANSformers: Self-Supervised Forecasting in Electronic Health Records with Attention-Free Models [48.07469930813923]
  本研究は,医療施設への患者訪問数を予測することにより,医療サービスの需要を予測することを目的とする。 SNSformerは、特定の帰納バイアスを設計し、EHRデータの特異な特徴を考慮に入れた、注意のない逐次モデルである。 本研究は, 各種患者集団を対象とした医療利用予測の修正における, 注意力のないモデルと自己指導型事前訓練の有望な可能性について考察した。
  論文  参考訳（メタデータ） (2021-08-31T08:23:56Z)
• No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
  実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。 このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。 実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
  論文  参考訳（メタデータ） (2021-06-09T12:02:29Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Predictive Modeling of ICU Healthcare-Associated Infections from Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling Approach [55.41644538483948]
  本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。 感染発生率の低減に向けた意思決定を支援することを目的とする。
  論文  参考訳（メタデータ） (2020-05-07T16:13:12Z)

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。