Fugu-MT 論文翻訳(概要): Predicting fall risk in older adults: A machine learning comparison of accelerometric and non-accelerometric factors

論文の概要: Predicting fall risk in older adults: A machine learning comparison of accelerometric and non-accelerometric factors

arxiv url: http://arxiv.org/abs/2508.03756v1
Date: Mon, 04 Aug 2025 07:33:56 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-07 20:09:22.371207
Title: Predicting fall risk in older adults: A machine learning comparison of accelerometric and non-accelerometric factors
Title（参考訳）: 高齢者の転倒リスク予測:加速度と非加速度の機械学習による比較
Authors: Ana González-Castro, José Alberto Benítez-Andrades, Rubén González-González, Camino Prada-García, Raquel Leirós-Rodríguez,
Abstract要約: 本研究では,加速度,非加速度,複合データに基づいて学習した各種機械学習モデルを用いて,高齢者の転倒リスク予測について検討した。結果は、統合データとベイジアンアプローチの使用をサポートし、転倒リスク評価を強化し、予防戦略を通知する。
参考スコア（独自算出の注目度）: 0.3495246564946556
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: This study investigates fall risk prediction in older adults using various machine learning models trained on accelerometric, non-accelerometric, and combined data from 146 participants. Models combining both data types achieved superior performance, with Bayesian Ridge Regression showing the highest accuracy (MSE = 0.6746, R2 = 0.9941). Non-accelerometric variables, such as age and comorbidities, proved critical for prediction. Results support the use of integrated data and Bayesian approaches to enhance fall risk assessment and inform prevention strategies.
Abstract（参考訳）: 本研究では,高齢者の転倒リスク予測について,加速度,非加速度,および146人のデータを用いた各種機械学習モデルを用いて検討した。ベイジアンリッジ回帰は最も精度が高い(MSE = 0.6746, R2 = 0.9941)。非アセロメトリックな変数、例えば年齢やコオービディティは予測に重要であった。結果は、統合データとベイジアンアプローチの使用をサポートし、転倒リスク評価を強化し、予防戦略を通知する。

関連論文リスト

Comparative Analysis of Stroke Prediction Models Using Machine Learning [0.0]
ストロークはいまだに世界的健康上の最も重要な課題の1つであり、世界第2位の死因であり、世界第3位の障害の原因である。本研究では、ストローク予測データセットから、人口統計データ、臨床データ、ライフスタイルデータを用いて、脳卒中リスクを予測する機械学習アルゴリズムの有効性を検討する。
論文参考訳（メタデータ） (2025-05-14T21:27:19Z)
Predicting Deterioration in Mild Cognitive Impairment with Survival Transformers, Extreme Gradient Boosting and Cox Proportional Hazard Modelling [0.08399688944263844]
本稿では,認知の劣化を予測するために,サバイバル・トランスフォーマーの新たなアプローチと極勾配促進モデルを提案する。提案手法は、アルツハイマー認知症における早期発見と介入をより正確にするためのこれらの手法の可能性を強調している。
論文参考訳（メタデータ） (2024-09-24T16:49:43Z)
Developing a Novel Holistic, Personalized Dementia Risk Prediction Model via Integration of Machine Learning and Network Systems Biology Approaches [0.0]
提案手法は認知症リスク予測のための新しい全体論的アプローチを利用する。環境汚染やライフスタイルの要因データをネットワークシステムに基づく遺伝データに組み込むのはこれが初めてである。本モデルでは, 全身性認知症リスク予測を臨床応用に応用した。
論文参考訳（メタデータ） (2023-10-04T02:47:29Z)
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)
DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
論文参考訳（メタデータ） (2022-09-23T16:13:47Z)
Test-time Collective Prediction [73.74982509510961]
マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
論文参考訳（メタデータ） (2021-06-22T18:29:58Z)
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)
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)
Machine Intelligence for Outcome Predictions of Trauma Patients During Emergency Department Care [0.0]
外傷死亡は, 患者人口, 外傷特性, 医療提供, 医療施設の特徴など, 多数の非線形依存型リスク要因から生じる。我々は、移動学習に基づく機械学習アルゴリズムが、限定回帰モデル基準に頼ることなく、死亡リスクの高い個人を正確に識別できると仮定した。本モデルは, 年齢別比較モデルにおいて同様の性能を示し, 全年齢に同時に適用した場合によく一般化した。
論文参考訳（メタデータ） (2020-09-08T17:26:34Z)
On Data Augmentation and Adversarial Risk: An Empirical Analysis [9.586672294115075]
我々は,異なるデータ拡張手法が敵のリスクに与える影響を3つの尺度で分析する。データ拡張による分類性能の向上は、常に敵攻撃によるリスクの改善を伴うという仮説を否定する。以上の結果から, 拡張されたデータは, 拡張されていないデータよりも, 結果のモデルに強い影響があることが判明した。
論文参考訳（メタデータ） (2020-07-06T11:16:18Z)
Machine learning for causal inference: on the use of cross-fit estimators [77.34726150561087]
より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
論文参考訳（メタデータ） (2020-04-21T23:09:55Z)

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。