論文の概要: Machine learning for violence prediction: a systematic review and critical appraisal

• arxiv url: http://arxiv.org/abs/2511.23118v1
• Date: Fri, 28 Nov 2025 12:03:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.883567
• Title: Machine learning for violence prediction: a systematic review and critical appraisal
• Title（参考訳）: 暴力予測のための機械学習 : 体系的レビューと批判的評価
• Authors: Stefaniya Kozhevnikova, Denis Yukhnenko, Giulio Scola, Seena Fazel,
• Abstract要約: 我々は9つのデータベースとGoogle Scholarを体系的に検索し、あらゆる形態の暴力行動を予測する機械学習手法の研究を行った。 我々は,40モデルの開発と妥当性を報告した38の研究を同定した。 31の研究は、主に分析領域においてバイアスのリスクが高く、3つの研究はバイアスのリスクが低い。 ブラックボックス機械学習モデルは、現在臨床環境では適用性に制限があるが、リスクの高い個人を特定することを約束する可能性がある。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Purpose To conduct a systematic review of machine learning models for predicting violent behaviour by synthesising and appraising their validity, usefulness, and performance. Methods We systematically searched nine bibliographic databases and Google Scholar up to September 2025 for development and/or validation studies on machine learning methods for predicting all forms of violent behaviour. We synthesised the results by summarising discrimination and calibration performance statistics and evaluated study quality by examining risk of bias and clinical utility. Results We identified 38 studies reporting the development and validation of 40 models. Most studies reported Area Under the Curve (AUC) as the discrimination statistic with a range of 0.68-0.99. Only eight studies reported calibration performance, and three studies reported external validation. 31 studies had a high risk of bias, mainly in the analysis domain, and three studies had low risk of bias. The overall clinical utility of violence prediction models is poor, as indicated by risks of overfitting due to small samples, lack of transparent reporting, and low generalisability. Conclusion Although black box machine learning models currently have limited applicability in clinical settings, they may show promise for identifying high-risk individuals. We recommend five key considerations for violence prediction modelling: (i) ensuring methodological quality (e.g. following guidelines) and interdisciplinary collaborations; (ii) using black box algorithms only for highly complex data; (iii) incorporating dynamic predictions to allow for risk monitoring; (iv) developing more trustworthy algorithms using explainable methods; and (v) applying causal machine learning approaches where appropriate.
• Abstract（参考訳）: 本研究の目的は、その妥当性、有用性、性能を合成し、評価することにより、暴力行為を予測する機械学習モデルの体系的なレビューを行うことである。 手法 われわれは2025年9月までに9つの書誌データベースとGoogle Scholarを体系的に検索し、あらゆる暴力行動を予測する機械学習手法の開発と検証を行った。 偏見と校正性能統計を要約して結果を合成し, 偏見のリスクと臨床的有用性を調べることにより, 研究の質を評価した。 結果】40モデルの開発と検証を報告した38の研究を同定した。 ほとんどの研究は、AUC(Area Under the Curve)を0.68-0.99の範囲の差別統計として報告している。 8つの研究のみが校正性能を報告し、3つの研究が外部検証を報告した。 31の研究は、主に分析領域においてバイアスのリスクが高く、3つの研究はバイアスのリスクが低い。 暴力予測モデルの全体的な臨床的有用性は、小さなサンプルによる過度な適合のリスク、透明な報告の欠如、一般化性の低さによって示されるように、貧弱である。 結論 ブラックボックス機械学習モデルは、現在臨床環境では適用範囲が限られているが、リスクの高い個人を特定することを約束する可能性がある。 暴力予測モデルには,5つの重要な考慮事項を推奨する。 一 方法的品質(例えばガイドライン)及び学際的協力を確保すること。 (二)ブラックボックスアルゴリズムを高度に複雑なデータにのみ使用すること。 三 リスク監視を可能にするための動的な予測を取り入れること。 (四)説明可能な方法を用いたより信頼できるアルゴリズムの開発、及び 五 因果機械学習のアプローチを適当に適用すること。

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)
• Statistical Learning for Heterogeneous Treatment Effects: Pretraining, Prognosis, and Prediction [40.96453902709292]
  実世界の応用における現象を利用した事前学習戦略を提案する。 医学では、同じ生物学的シグナル伝達経路の成分は、ベースラインリスクと治療反応の両方に頻繁に影響を及ぼす。 この構造を用いて,リスク予測と因果効果推定の相乗効果を利用するモデルを構築した。
  論文  参考訳（メタデータ） (2025-05-01T05:12:14Z)
• Detecting and Preventing Data Poisoning Attacks on AI Models [0.0]
  本研究は,データ中毒の発生を検知・予防する新しい手法を開発し,評価することを目的とする。 本研究は, 異常検出, 頑健な最適化戦略, アンサンブル学習など, モデルトレーニング中の有毒データの影響を識別・緩和する様々な手法について検討した。 統計的異常検出および逆行訓練を含む防御機構が提案され, 毒性の軽減, モデルロバスト性の向上, 平均15～20%の精度回復が達成された。
  論文  参考訳（メタデータ） (2025-03-12T11:55:01Z)
• Uncertainty-aware abstention in medical diagnosis based on medical texts [87.88110503208016]
  本研究は,AI支援医療診断における信頼性の重要課題について論じる。 本研究は,診断に自信がなければ,診断システムによる意思決定の回避を可能にする選択予測手法に焦点をあてる。 我々は、選択予測タスクにおける信頼性を高めるための新しい最先端手法であるHUQ-2を紹介する。
  論文  参考訳（メタデータ） (2025-02-25T10:15:21Z)
• Assessing Reusability of Deep Learning-Based Monotherapy Drug Response Prediction Models Trained with Omics Data [43.57729817547386]
  がん薬物応答予測モデルは、精度オンコロジーへの有望なアプローチを示す。 深層学習(DL)法はこの分野で大きな可能性を秘めている。 これは、より広い科学コミュニティによって改善され、テストされる、再利用可能で適応可能なモデルの必要性を強調している。
  論文  参考訳（メタデータ） (2024-09-18T16:08:28Z)
• TACCO: Task-guided Co-clustering of Clinical Concepts and Patient Visits for Disease Subtyping based on EHR Data [42.96821770394798]
  TACCOは、EMHデータのハイパーグラフモデリングに基づいて、臨床概念と患者訪問のクラスターを共同で発見する新しいフレームワークである。 我々は,表現型分類と心血管リスク予測の下流臨床課題に対して,公共MIMIC-IIIデータセットとエモリー内部CRADLEデータセットを用いて実験を行った。 深層モデル解析,クラスタリング結果解析,臨床ケーススタディは,TACCOが提供した改良されたユーティリティと洞察に富んだ解釈をさらに検証する。
  論文  参考訳（メタデータ） (2024-06-14T14:18:38Z)
• Identifying and mitigating bias in algorithms used to manage patients in a pandemic [4.756860520861679]
  現実のデータセットを使用して、新型コロナウイルスの死亡率、人工呼吸器の状態、入院状態を予測するために、ロジスティック回帰モデルが作成された。 モデルではバイアス試験の回数が57%減少した。 キャリブレーション後, 予測モデルの平均感度は0.527から0.955に増加した。
  論文  参考訳（メタデータ） (2021-10-30T21:10:56Z)
• A New Approach for Interpretability and Reliability in Clinical Risk Prediction: Acute Coronary Syndrome Scenario [0.33927193323747895]
  我々は、リスクスコアと機械学習モデルの両方の最高の特徴を組み合わせた、新たなリスクアセスメント方法論を作成するつもりです。 提案手法は、標準LRと同一の試験結果を得たが、より優れた解釈性とパーソナライゼーションを提供する。 個人予測の信頼性推定は誤分類率と大きな相関を示した。
  論文  参考訳（メタデータ） (2021-10-15T19:33:46Z)
• 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)
• Targeting Learning: Robust Statistics for Reproducible Research [1.1455937444848387]
  ターゲティング・ラーニング(Targeted Learning)は、因果推論、機械学習、統計理論の進歩を統一して、科学的に影響のある質問に統計的信頼性で答えるのに役立つ統計分野である。 ターゲット学習のロードマップは、仮説を最小化し、利用可能な科学的知識にのみ注意深く根ざすように、統計的手続きを調整することを強調する。
  論文  参考訳（メタデータ） (2020-06-12T17:17:01Z)

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。