論文の概要: Proactive HIV Care: AI-Based Comorbidity Prediction from Routine EHR Data

• arxiv url: http://arxiv.org/abs/2508.20133v2
• Date: Fri, 29 Aug 2025 11:20:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-01 13:41:09.939479
• Title: Proactive HIV Care: AI-Based Comorbidity Prediction from Routine EHR Data
• Title（参考訳）: HIVの予防的ケア: ルーチンEHRデータによるAIによるコモビディティ予測
• Authors: Solomon Russom, Dimitrios Kollias, Qianni Zhang,
• Abstract要約: 我々は、Electronic Health Recordsから複数の組み合わせを予測するAIの可能性を評価する。 ロンドン南東部で2200人のHIV陽性患者から得られたデータは、30の検査マーカーと7つの人口・社会的属性から構成されている。
• 参考スコア（独自算出の注目度）: 20.91901855367697
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: People living with HIV face a high burden of comorbidities, yet early detection is often limited by symptom-driven screening. We evaluate the potential of AI to predict multiple comorbidities from routinely collected Electronic Health Records. Using data from 2,200 HIV-positive patients in South East London, comprising 30 laboratory markers and 7 demographic/social attributes, we compare demographic-aware models (which use both laboratory/social variables and demographic information as input) against demographic-unaware models (which exclude all demographic information). Across all methods, demographic-aware models consistently outperformed unaware counterparts. Demographic recoverability experiments revealed that gender and age can be accurately inferred from laboratory data, underscoring both the predictive value and fairness considerations of demographic features. These findings show that combining demographic and laboratory data can improve automated, multi-label comorbidity prediction in HIV care, while raising important questions about bias and interpretability in clinical AI.
• Abstract（参考訳）: HIVに感染している人は、共同治療の負担が大きいが、早期発見は症状によるスクリーニングによって制限されることが多い。 我々は,日常的に収集された電子健康記録から複数の組み合わせを予測するAIの可能性を評価する。 東南アジアロンドンの2200人のHIV陽性患者のデータを用いて、30の検査マーカーと7つの人口・社会属性からなる人口統計モデル(実験・社会変数および人口統計情報を入力として使用する)と人口統計モデル(すべての人口統計情報を除外する)を比較した。 あらゆる方法において、人口統計学的モデルは常に無意識のモデルよりも優れていた。 人口統計学的再現性実験により、性別と年齢は実験室のデータから正確に推定でき、人口統計学的特徴の予測値と公平性の両方を裏付けることが明らかとなった。 以上の結果から, HIV治療において, 人口統計データと実験室データを組み合わせることで, 自動的・多ラベル共同性予測が向上し, 臨床AIのバイアスや解釈可能性に関する重要な疑問が提起された。

関連論文リスト

• Adaptable Cardiovascular Disease Risk Prediction from Heterogeneous Data using Large Language Models [70.64969663547703]
  AdaCVDは、英国バイオバンクから50万人以上の参加者を対象に、大規模な言語モデルに基づいて構築された適応可能なCVDリスク予測フレームワークである。 包括的かつ可変的な患者情報を柔軟に取り込み、構造化データと非構造化テキストの両方をシームレスに統合し、最小限の追加データを使用して新規患者の集団に迅速に適応する。
  論文  参考訳（メタデータ） (2025-05-30T14:42:02Z)
• Disparate Model Performance and Stability in Machine Learning Clinical Support for Diabetes and Heart Diseases [2.9247093478805324]
  調査により、慢性疾患データセットとその派生した機械学習モデルにおいて、性別と年齢に関連する不等式が広く明らかになった。 25,000人以上の慢性疾患患者のデータを分析したところ、男女差は軽度であり、男性には予測精度が好ましく、若年者には有意な年齢差がみられた。 特に高齢患者では、7つのデータセットで矛盾した予測精度を示し、データの複雑さとモデルの性能が低下した。
  論文  参考訳（メタデータ） (2024-12-27T07:31:14Z)
• A Demographic-Conditioned Variational Autoencoder for fMRI Distribution Sampling and Removal of Confounds [49.34500499203579]
  変動型オートエンコーダ(VAE)ベースのモデルであるDemoVAEを作成し、人口統計学から fMRI の特徴を推定する。 ユーザが供給する人口動態に基づいて,高品質な合成fMRIデータを生成する。
  論文  参考訳（メタデータ） (2024-05-13T17:49:20Z)
• 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)
• A fairness assessment of mobility-based COVID-19 case prediction models [0.0]
  予測モデルのトレーニングに使用されるモビリティデータのバイアスが、特定の人口集団に対して不当に精度の低い予測に繋がる可能性があるという仮説を検証した。 特に、モデルは大きく、高度に教育され、富裕な若者、都市、非黒人が支配する郡を好む傾向にある。
  論文  参考訳（メタデータ） (2022-10-08T03:43:51Z)
• Towards Trustworthy Cross-patient Model Development [3.109478324371548]
  本研究は,全ての患者と1人の患者を対象に訓練を行った際のモデル性能と説明可能性の差異について検討した。 以上の結果から,患者の人口動態は,パフォーマンスや説明可能性,信頼性に大きな影響を及ぼすことが明らかとなった。
  論文  参考訳（メタデータ） (2021-12-20T10:51:04Z)
• 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)
• 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)
• Risk of Training Diagnostic Algorithms on Data with Demographic Bias [0.5599792629509227]
  医用画像解析アプリケーションにおけるMICCAI 2018の実践を調査するために,MICCAI 2018の手順を調査した。 意外なことに、診断に焦点を当てた論文では、使用されるデータセットの人口統計がほとんど書かれていないことが判明した。 本研究では,非偏りのある特徴を,対向的な学習環境において,人口統計変数を明示的に使用することにより学習可能であることを示す。
  論文  参考訳（メタデータ） (2020-05-20T13:51:01Z)

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。