論文の概要: Predicting VBAC Outcomes from U.S. Natality Data using Deep and Classical Machine Learning Models

• arxiv url: http://arxiv.org/abs/2507.21330v1
• Date: Mon, 28 Jul 2025 20:54:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-30 17:08:55.272073
• Title: Predicting VBAC Outcomes from U.S. Natality Data using Deep and Classical Machine Learning Models
• Title（参考訳）: ディープラーニングモデルと古典的機械学習モデルを用いた米国のナティリティデータからのVBAC結果の予測
• Authors: Ananya Anand,
• Abstract要約: 本研究は,CDC WONDER Natalityデータセットから得られたセサレアン(VBAC)後の迷走神経発生を予測するための教師付き機械学習モデルを提案する。 ロジスティック回帰、XGBoost、多層パーセプトロン(MLP)の3つの分類器を訓練した。 AUCは0.7287で最高性能を記録し、XGBoost (Boost = 0.727) はロジスティック回帰ベースラインを上回った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurately predicting the outcome of a trial of labor after cesarean (TOLAC) is essential for guiding prenatal counseling and minimizing delivery-related risks. This study presents supervised machine learning models for predicting vaginal birth after cesarean (VBAC) using 643,029 TOLAC cases from the CDC WONDER Natality dataset (2017-2023). After filtering for singleton births with one or two prior cesareans and complete data across 47 prenatal-period features, three classifiers were trained: logistic regression, XGBoost, and a multilayer perceptron (MLP). The MLP achieved the highest performance with an AUC of 0.7287, followed closely by XGBoost (AUC = 0.727), both surpassing the logistic regression baseline (AUC = 0.709). To address class imbalance, class weighting was applied to the MLP, and a custom loss function was implemented in XGBoost. Evaluation metrics included ROC curves, confusion matrices, and precision-recall analysis. Logistic regression coefficients highlighted maternal BMI, education, parity, comorbidities, and prenatal care indicators as key predictors. Overall, the results demonstrate that routinely collected, early-pregnancy variables can support scalable and moderately high-performing VBAC prediction models. These models offer potential utility in clinical decision support, particularly in settings lacking access to specialized intrapartum data.
• Abstract（参考訳）: 出生前カウンセリングを指導し、出産関連リスクを最小化するためには、帝王切開(TOLAC)後の労働結果の正確な予測が不可欠である。 本研究は,CDC WONDER Natality データセット (2017-2023) から643,029 TOLAC 症例を用いて,帝王切開後の迷走神経発生を予測するための教師付き機械学習モデルを提案する。 シングルトンの出生を1つか2つの前帝王切開と47の出生前特徴の完全なデータでフィルタリングした後、ロジスティック回帰、XGBoost、多層パーセプトロン(MLP)の3つの分類器を訓練した。 MLPはAUCの0.7287で最高性能を達成し、XGBoost(AUC = 0.727)はどちらもロジスティック回帰ベースライン(AUC = 0.709)を上回った。 クラス不均衡に対処するため、クラス重み付けがMLPに適用され、XGBoostでカスタム損失関数が実装された。 評価指標には、ROC曲線、混乱行列、精度-リコール分析が含まれる。 ロジスティック回帰係数は、母性BMI、教育、パリティ、共生性、出生前ケア指標を重要な予測因子として強調した。 その結果, 早期妊娠変数は, 拡張性, 適度に高い性能を示すVBAC予測モデルをサポートできることが示唆された。 これらのモデルは、特に特別な部内データへのアクセスを欠いた設定において、臨床上の決定支援において潜在的に有用である。

関連論文リスト

• M-TabNet: A Multi-Encoder Transformer Model for Predicting Neonatal Birth Weight from Multimodal Data [3.452389713639621]
  出生体重(BW)は新生児の健康にとって重要な指標であり、低出生体重(LBW)は死亡率と死亡率の増加と関連している。 既存のモデルでは栄養学や遺伝学の影響を無視することが多く、主に生理学やライフスタイルに重点を置いている。 本研究は,12週間の妊娠後早期のBW予測のためのマルチエンコーダアーキテクチャを用いたアテンションベーストランスフォーマーモデルを提案する。
  論文  参考訳（メタデータ） (2025-04-20T00:03:47Z)
• Machine Learning-Based Model for Postoperative Stroke Prediction in Coronary Artery Disease [0.0]
  本研究では,術後脳卒中リスクを評価するための高度な機械学習予測モデルを開発し,評価することを目的とする。 データセットには70%のトレーニングと30%のテストがあり、数値は正規化され、カテゴリ変数は1ホットエンコードされた。 ロジスティック回帰、XGBoost、SVM、CatBoostは予測モデルに使われ、SHAP分析は各変数のストロークリスクを評価した。
  論文  参考訳（メタデータ） (2025-03-15T02:50:32Z)
• Predicting Fetal Birthweight from High Dimensional Data using Advanced Machine Learning [1.489994236178479]
  出生体重は新生児の健康の基本的な指標であり、医療介入や長期の発達リスクと密接に関連している。 伝統的な予測モデルは、しばしば限られた特徴選択と不完全なデータセットによって制約され、複雑な母体と胎児の相互作用を見渡すのに苦労する。 本研究は,先進的な計算戦略を統合した構造化手法を用いて,これらの制約に対処するための機械学習について検討する。
  論文  参考訳（メタデータ） (2025-02-20T05:17:39Z)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• 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)
• Multimodal Pretraining of Medical Time Series and Notes [45.89025874396911]
  ディープラーニングモデルは、意味のあるパターンを抽出する際の約束を示すが、広範囲なラベル付きデータが必要である。 本稿では,臨床測定値とノートのアライメントに着目し,自己指導型事前学習を用いた新しいアプローチを提案する。 病院内での死亡予測や表現型化などの下流タスクでは、データのごく一部がラベル付けされた設定において、ベースラインよりも優れています。
  論文  参考訳（メタデータ） (2023-12-11T21:53:40Z)
• Self-Supervised Pretraining Improves Performance and Inference Efficiency in Multiple Lung Ultrasound Interpretation Tasks [65.23740556896654]
  肺超音波検査における複数分類課題に適用可能なニューラルネットワーク特徴抽出器を,自己指導型プレトレーニングで作成できるかどうかを検討した。 3つの肺超音波のタスクを微調整すると、事前訓練されたモデルにより、各テストセットの受信操作曲線(AUC)における平均クロスタスク面積は、それぞれ0.032と0.061に改善された。
  論文  参考訳（メタデータ） (2023-09-05T21:36:42Z)
• Closing the Gap in High-Risk Pregnancy Care Using Machine Learning and Human-AI Collaboration [8.36613277875556]
  高リスク妊娠(英: High-risk pregnant)は、母親や乳児の結果に悪影響を及ぼす要因によって複雑な妊娠である。 本研究は、合併症のリスクがある妊婦の特定において、ケアマネージャを支援するための現実のMLベースのシステムの実装を提案する。
  論文  参考訳（メタデータ） (2023-05-26T21:08:49Z)
• Predicting Adverse Neonatal Outcomes for Preterm Neonates with Multi-Task Learning [51.487856868285995]
  われわれはまず, 3つの不良新生児結果の相関関係を解析し, マルチタスク学習(MTL)問題として複数の新生児結果の診断を定式化する。 特に、MTLフレームワークは、共有された隠れレイヤと複数のタスク固有のブランチを含んでいる。
  論文  参考訳（メタデータ） (2023-03-28T00:44:06Z)
• 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)
• 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)
• A Knowledge Distillation Ensemble Framework for Predicting Short and Long-term Hospitalisation Outcomes from Electronic Health Records Data [5.844828229178025]
  既存の結果予測モデルは、頻繁なポジティブな結果の低いリコールに悩まされる。 我々は、死亡率とICUの受け入れによって表される逆さを自動的に予測する、高度にスケーリング可能な、堅牢な機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-18T15:56:28Z)
• Gradient Boosting on Decision Trees for Mortality Prediction in Transcatheter Aortic Valve Implantation [5.050648346154715]
  心臓外科における現在の予後リスクスコアは統計に基づいており、まだ機械学習の恩恵を受けていない。 本研究は,TAVI後の患者の1年間の死亡率を予測する機械学習モデルの構築を目的とする。
  論文  参考訳（メタデータ） (2020-01-08T10:04:42Z)

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。