論文の概要: Trustworthy Chronic Disease Risk Prediction For Self-Directed Preventive Care via Medical Literature Validation

• arxiv url: http://arxiv.org/abs/2506.17620v1
• Date: Sat, 21 Jun 2025 07:08:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 19:06:36.506643
• Title: Trustworthy Chronic Disease Risk Prediction For Self-Directed Preventive Care via Medical Literature Validation
• Title（参考訳）: 医療文献検証による自己指導型予防ケアの信頼性の高い慢性疾患リスク予測
• Authors: Minh Le, Khoi Ton,
• Abstract要約: 個人的・生活習慣的要因のみを用いて,13の慢性疾患の発症リスクを予測する深層学習モデルを構築した。 我々は、SHAPに基づく説明可能性を用いて、最も影響力のあるモデルの特徴を特定し、確立した医学文献に対して検証する。 この研究は、自己指導型予防ケアのための信頼できる機械学習ツールの開発の基礎を築いた。
• 参考スコア（独自算出の注目度）: 0.046040036610482664
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Chronic diseases are long-term, manageable, yet typically incurable conditions, highlighting the need for effective preventive strategies. Machine learning has been widely used to assess individual risk for chronic diseases. However, many models rely on medical test data (e.g. blood results, glucose levels), which limits their utility for proactive self-assessment. Additionally, to gain public trust, machine learning models should be explainable and transparent. Although some research on self-assessment machine learning models includes explainability, their explanations are not validated against established medical literature, reducing confidence in their reliability. To address these issues, we develop deep learning models that predict the risk of developing 13 chronic diseases using only personal and lifestyle factors, enabling accessible, self-directed preventive care. Importantly, we use SHAP-based explainability to identify the most influential model features and validate them against established medical literature. Our results show a strong alignment between the models' most influential features and established medical literature, reinforcing the models' trustworthiness. Critically, we find that this observation holds across 13 distinct diseases, indicating that this machine learning approach can be broadly trusted for chronic disease prediction. This work lays the foundation for developing trustworthy machine learning tools for self-directed preventive care. Future research can explore other approaches for models' trustworthiness and discuss how the models can be used ethically and responsibly.
• Abstract（参考訳）: 慢性疾患は長期的、管理可能で、通常は不治の疾患であり、効果的な予防戦略の必要性を強調している。 機械学習は慢性疾患の個人のリスクを評価するために広く使われてきた。 しかし、多くのモデルは医療検査データ(例えば、血糖値、血糖値)に依存しており、プロアクティブな自己評価に限界がある。 さらに、公的な信頼を得るためには、機械学習モデルは説明可能で透明であるべきです。 自己評価機械学習モデルに関するいくつかの研究は説明可能性を含んでいるが、それらの説明は確立された医学文献に対して検証されず、信頼性の信頼性を低下させる。 これらの課題に対処するために、個人的・生活習慣的要因のみを用いて13の慢性疾患を発症するリスクを予測する深層学習モデルを開発した。 重要なことは、SHAPに基づく説明可能性を用いて、最も影響力のあるモデルの特徴を特定し、確立した医学文献に対して検証することである。 以上の結果から,モデルの最も影響力のある特徴と医療文献の確立との間に強い整合性を示し,モデルの信頼性を高めた。 批判的なことに、この観察は13の異なる疾患にまたがるものであり、この機械学習アプローチは慢性疾患の予測に広く信頼できることを示している。 この研究は、自己指導型予防ケアのための信頼できる機械学習ツールの開発の基礎を築いた。 将来の研究は、モデルの信頼性に関する他のアプローチを探求し、モデルがどのように倫理的にかつ責任を持って利用できるかを議論することができる。

関連論文リスト

• Machine Learning Solutions Integrated in an IoT Healthcare Platform for Heart Failure Risk Stratification [3.952604803580729]
  慢性心不全(HF)の管理は、現代医療において重要な課題である。 本稿では,HFリスクのある患者を識別するための機械学習(ML)技術に基づく予測モデルを提案する。
  論文  参考訳（メタデータ） (2025-04-07T14:07:05Z)
• An Explainable Disease Surveillance System for Early Prediction of Multiple Chronic Diseases [0.0]
  複数の慢性疾患に対する臨床的、実用的、説明可能な疾患監視システムを開発した。 本研究は, 来年の慢性疾患のリスクを事前に評価するために, 医療史, バイタル, 診断, 医薬品など, 日常的に利用可能なデータに焦点をあてる。
  論文  参考訳（メタデータ） (2025-01-27T11:26:54Z)
• Towards a Transportable Causal Network Model Based on Observational Healthcare Data [1.333879175460266]
  本稿では,選択図,不足グラフ,因果発見,事前知識を1つのグラフィカルモデルに組み合わせた新しい手法を提案する。 このモデルは、患者の2つの異なるコホートからなるデータから学習する。 結果として得られた因果ネットワークモデルは、リスク評価、正確性、説明可能性の観点から専門家臨床医によって検証される。
  論文  参考訳（メタデータ） (2023-11-13T13:23:31Z)
• 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)
• 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)
• A Trustworthy Framework for Medical Image Analysis with Deep Learning [71.48204494889505]
  TRUDLMIAは医用画像解析のための信頼できるディープラーニングフレームワークである。 新型コロナウイルス(COVID-19)などの公衆衛生危機への対応に深層学習の活用を推進していくため、研究者や臨床医を支援することが期待されている。
  論文  参考訳（メタデータ） (2022-12-06T05:30:22Z)
• Combining Graph Neural Networks and Spatio-temporal Disease Models to Predict COVID-19 Cases in Germany [0.0]
  いくつかの専門家は、新型コロナウイルスの拡散を説明するために人間の移動性を考慮する必要性を求めた。 ほとんどの統計モデルや疫学モデルでは、人間の移動性を符号化するデータを含む非構造化データソースを直接組み込むことはできない。 本稿では,両研究方向のトレードオフを提案し,統計回帰モデルと機械学習モデルの利点を組み合わせた新しい学習手法を提案する。
  論文  参考訳（メタデータ） (2021-01-03T16:39:00Z)
• 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)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。