論文の概要: A Machine Learning Approach to Predict Biological Age and its Longitudinal Drivers

• arxiv url: http://arxiv.org/abs/2508.09747v1
• Date: Wed, 13 Aug 2025 12:22:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-14 20:42:00.879567
• Title: A Machine Learning Approach to Predict Biological Age and its Longitudinal Drivers
• Title（参考訳）: 生物学的年齢予測のための機械学習アプローチとその縦方向ドライバ
• Authors: Nazira Dunbayeva, Yulong Li, Yutong Xie, Imran Razzak,
• Abstract要約: 2つの異なる期間のデータと長手コホートを用いて年齢を予測する機械学習パイプラインを開発した。 重要なバイオマーカーの変化率(傾斜)を時間とともに明示的に捉える技術によって,我々はモデル性能を著しく改善した。 当フレームワークは,患者の健康トラジェクトリを動的に追跡し,早期介入とパーソナライズされた予防戦略を可能にする臨床ツールの道を開く。
• 参考スコア（独自算出の注目度）: 22.162067953837653
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Predicting an individual's aging trajectory is a central challenge in preventative medicine and bioinformatics. While machine learning models can predict chronological age from biomarkers, they often fail to capture the dynamic, longitudinal nature of the aging process. In this work, we developed and validated a machine learning pipeline to predict age using a longitudinal cohort with data from two distinct time periods (2019-2020 and 2021-2022). We demonstrate that a model using only static, cross-sectional biomarkers has limited predictive power when generalizing to future time points. However, by engineering novel features that explicitly capture the rate of change (slope) of key biomarkers over time, we significantly improved model performance. Our final LightGBM model, trained on the initial wave of data, successfully predicted age in the subsequent wave with high accuracy ($R^2 = 0.515$ for males, $R^2 = 0.498$ for females), significantly outperforming both traditional linear models and other tree-based ensembles. SHAP analysis of our successful model revealed that the engineered slope features were among the most important predictors, highlighting that an individual's health trajectory, not just their static health snapshot, is a key determinant of biological age. Our framework paves the way for clinical tools that dynamically track patient health trajectories, enabling early intervention and personalized prevention strategies for age-related diseases.
• Abstract（参考訳）: 個人の老化軌道を予測することは、予防医学とバイオインフォマティクスにおける中心的な課題である。 機械学習モデルは、バイオマーカーから時系列年齢を予測することができるが、老化過程の動的で縦断的な性質を捉えることに失敗することが多い。 本研究では,2つの異なる期間(2019-2020年と2021-2022年)のデータを用いて,縦コホートを用いて年齢を予測する機械学習パイプラインを開発し,検証した。 我々は,静的な断面バイオマーカーのみを用いたモデルが,将来の時間点に一般化する際の予測能力に制限があることを実証した。 しかし、重要なバイオマーカーの変化率(傾斜)を時間とともに明示的に捉える工学的新しい特徴により、モデル性能は大幅に向上した。 我々の最後のLightGBMモデルは、データの最初の波に基づいて訓練され、後続の波の年齢を高い精度で予測した(R^2 = 0.515$、女性は$R^2 = 0.498$)。 SHAP解析により,工学的斜面特性が最も重要な予測因子の1つであることが明らかとなり,静的な健康スナップショットだけでなく,個人の健康軌道も生物学的年齢の重要な決定要因であることが明らかとなった。 当フレームワークは,患者の健康トラジェクトリを動的に追跡し,早期介入と高齢者関連疾患に対するパーソナライズされた予防戦略を可能にする臨床ツールの道を開く。

関連論文リスト

• A Vector-Quantized Foundation Model for Patient Behavior Monitoring [43.02353546717171]
  本稿では,スマートフォンやウェアラブルデバイスからの実世界のデータを処理するために設計されたベクトル量子化変分自動エンコーダを改良した基礎モデルを提案する。 本研究では, 個別の潜伏表現を利用して, 微調整を必要とせず, 2つの下流課題, 自殺リスク評価, 情緒的状態予測を効果的に実施した。
  論文  参考訳（メタデータ） (2025-03-19T14:01:16Z)
• iTARGET: Interpretable Tailored Age Regression for Grouped Epigenetic Traits [0.0]
  そこで本研究では,DNAメチル化パターンから時系列年代を正確に予測する2相アルゴリズムを提案する。 提案手法は予測精度を向上するだけでなく,鍵となる年齢関連CpGサイトを明らかにし,老化率の変化を検出し,CpGサイト間の相互の相互作用を識別する。 実験の結果,本手法は従来のエピジェネティッククロックや機械学習モデルよりも優れていた。
  論文  参考訳（メタデータ） (2025-01-04T23:06:46Z)
• Towards modeling evolving longitudinal health trajectories with a transformer-based deep learning model [19.49711465571333]
  トランスフォーマーベースのディープラーニングモデルをトレーニングするための簡単なアプローチを導入し、個人の軌道が時間とともにどのように変化するかを分析できるようにします。 本稿では,将来予測区間における共通疾患の発症を予測するための一般的な課題に焦点をあてる。 このモデルは、基本的な予測性能の観点から、双方向トランスフォーマーモデルを含む他のモデルと相容れない性能を示す。
  論文  参考訳（メタデータ） (2024-12-12T02:13:53Z)
• Time-to-Event Pretraining for 3D Medical Imaging [44.46415168541444]
  本稿では,3次元医用画像モデルのための事前トレーニングフレームワークである,時間とイベントの事前トレーニングを紹介する。 我々は18,945個のCTスキャン(420万枚の2D画像)のデータセットと、何千ものEHR由来のタスクにまたがる時間-時間分布を用いています。 提案手法は,AUROCの平均値が23.7%,HarrellのC-インデックスが29.4%向上し,結果予測が向上する。
  論文  参考訳（メタデータ） (2024-11-14T11:08:54Z)
• Improving Diffusion Models for ECG Imputation with an Augmented Template Prior [43.6099225257178]
  ノイズと品質の悪い録音は、モバイルヘルスシステムを使って収集された信号にとって大きな問題である。 近年の研究では、確率的時系列モデルによるECGの欠落値の計算が検討されている。 本稿では,様々な健康状態の事前情報として,テンプレート誘導型拡散確率モデル(DDPM)PulseDiffを提案する。
  論文  参考訳（メタデータ） (2023-10-24T11:34:15Z)
• Neurodevelopmental Phenotype Prediction: A State-of-the-Art Deep Learning Model [0.0]
  我々は,新生児の皮質表面データを解析するためにディープニューラルネットワークを適用した。 我々の目標は、神経発達のバイオマーカーを特定し、これらのバイオマーカーに基づいて出生時の妊娠年齢を予測することである。
  論文  参考訳（メタデータ） (2022-11-16T11:15:23Z)
• Assessing the Performance of Automated Prediction and Ranking of Patient Age from Chest X-rays Against Clinicians [4.795478287106675]
  深層学習は、胸部X線から患者の年齢を正確に推定することを可能にしている。 本稿では,放射線科医と最先端のディープラーニングモデルの比較研究について述べる。 我々は,脳卒中患者の年齢による1.8M胸部X線の異種データベースを用いてモデルを訓練し,モデル精度の限界について検討した。
  論文  参考訳（メタデータ） (2022-07-04T10:09:48Z)
• 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)
• Evaluating the performance of personal, social, health-related, biomarker and genetic data for predicting an individuals future health using machine learning: A longitudinal analysis [0.0]
  この研究の目的は、個人、社会、健康関連、バイオマーカーおよび遺伝データの相対的貢献を個人における将来の健康の予測因子として識別するために機械学習アプローチを適用することである。 ニューラルネットワークによるディープラーニングとXGBoostという,予測モデル構築に2つの機械学習アプローチが使用された。 その結果、健康関連の指標が将来の健康状態を最も予測し、遺伝データが劣っていることがわかった。
  論文  参考訳（メタデータ） (2021-04-26T12:31:40Z)

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。