論文の概要: Community-Based Early-Stage Chronic Kidney Disease Screening using Explainable Machine Learning for Low-Resource Settings

• arxiv url: http://arxiv.org/abs/2601.01119v1
• Date: Sat, 03 Jan 2026 08:43:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:22.038157
• Title: Community-Based Early-Stage Chronic Kidney Disease Screening using Explainable Machine Learning for Low-Resource Settings
• Title（参考訳）: 低リソース環境における説明可能な機械学習を用いた地域別早期慢性腎臓病スクリーニング
• Authors: Muhammad Ashad Kabir, Sirajam Munira, Dewan Tasnia Azad, Saleh Mohammed Ikram, Mohammad Habibur Rahman Sarker, Syed Manzoor Ahmed Hanifi,
• Abstract要約: 既存のスクリーニングツールは、バングラデシュと南アジアでは、リスクプロファイルが異なる場合が多い。 我々の目的は、コミュニティベースのCKDスクリーニングのための説明可能な機械学習フレームワークを開発し、評価することであった。
• 参考スコア（独自算出の注目度）: 0.3899675786340555
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Early detection of chronic kidney disease (CKD) is essential for preventing progression to end-stage renal disease. However, existing screening tools - primarily developed using populations from high-income countries - often underperform in Bangladesh and South Asia, where risk profiles differ. Most of these tools rely on simple additive scoring functions and are based on data from patients with advanced-stage CKD. Consequently, they fail to capture complex interactions among risk factors and are limited in predicting early-stage CKD. Our objective was to develop and evaluate an explainable machine learning (ML) framework for community-based early-stage CKD screening for low-resource settings, tailored to the Bangladeshi and South Asian population context. We used a community-based dataset from Bangladesh, the first such CKD dataset in South and South Asia, and evaluated twelve ML classifiers across multiple feature domains. Ten complementary feature selection techniques were applied to identify robust, generalizable predictors. The final models were assessed using 10-fold cross-validation. External validation was conducted on three independent datasets from India, the UAE, and Bangladesh. SHAP (SHapley Additive exPlanations) was used to provide model explainability. An ML model trained on an RFECV-selected feature subset achieved a balanced accuracy of 90.40%, whereas minimal non-pathology-test features demonstrated excellent predictive capability with a balanced accuracy of 89.23%, often outperforming larger or full feature sets. Compared with existing screening tools, the proposed models achieved substantially higher accuracy and sensitivity while requiring fewer and more accessible inputs. External validation confirmed strong generalizability with 78% to 98% sensitivity. SHAP interpretation identified clinically meaningful predictors consistent with established CKD risk factors.
• Abstract（参考訳）: 慢性腎疾患(CKD)の早期発見は、末期腎疾患の進行を防ぐために不可欠である。 しかし、バングラデシュや南アジアではリスクプロファイルが異なるため、既存のスクリーニングツール(主に高所得国の人口を用いて開発された)はパフォーマンスが低いことが多い。 これらのツールの多くは単純な加法的スコアリング機能に依存しており、進行期CKD患者のデータに基づいている。 その結果、リスク要因間の複雑な相互作用を捉えることができず、初期段階のCKDを予測するのに限られる。 本研究の目的は,バングラデシュと南アジアの人口状況に合わせて,コミュニティベースの早期CKDスクリーニングのための説明可能な機械学習(ML)フレームワークを開発し,評価することであった。 バングラデシュのコミュニティベースのデータセットは、南アジアと南アジアで最初のCKDデータセットであり、複数の特徴ドメインにわたる12のML分類器を評価した。 頑健で一般化可能な予測因子を同定するために10種類の相補的特徴選択手法を適用した。 最終モデルは10倍のクロスバリデーションで評価された。 インド、アラブ首長国連邦、バングラデシュの3つの独立したデータセットで外部検証が行われた。 SHAP (SHapley Additive exPlanations) はモデル説明性を提供するために用いられた。 RFECV選択機能サブセットで訓練されたMLモデルは、90.40%のバランスの取れた精度を達成したが、最小限の非病理検査機能は、89.23%のバランスの取れた精度で優れた予測能力を示した。 既存のスクリーニングツールと比較して、提案したモデルは精度と感度が大幅に向上し、よりアクセスしやすくなった。 外的検証では78%から98%の感度で強い一般化性が確認された。 SHAPの解釈は、確立されたCKD危険因子と一致した臨床的に有意な予測因子を同定した。

関連論文リスト

• Chronic Kidney Disease Prognosis Prediction Using Transformer [2.054117570146147]
  慢性腎臓病(CKD)は世界の人口の10%近くに影響し、しばしば末期腎不全へと進行する。 マルチモーダル電子健康記録を用いたCKD進行予測のためのトランスフォーマーベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-04T07:52:17Z)
• Performance Analysis of Machine Learning Algorithms in Chronic Kidney Disease Prediction [2.5180274967765643]
  世界の人口の約10%は慢性腎臓病(CKD)の影響を受けていると考えられており、腎機能低下の原因となっている。 そこで本研究では,CKDの診断のための疾患予測型コンピュータ支援設計を考案し,提案した。
  論文  参考訳（メタデータ） (2025-10-10T15:54:37Z)
• A Disease-Centric Vision-Language Foundation Model for Precision Oncology in Kidney Cancer [54.58205672910646]
  RenalCLIPは、腎腫瘤の特徴、診断、予後のための視覚言語基盤モデルである。 腎がんの完全な臨床ワークフローにまたがる10のコアタスクにおいて、優れたパフォーマンスと優れた一般化性を実現した。
  論文  参考訳（メタデータ） (2025-08-22T17:48:19Z)
• Early Mortality Prediction in ICU Patients with Hypertensive Kidney Disease Using Interpretable Machine Learning [3.4335475695580127]
  集中治療室(ICUs)の高血圧性腎疾患(HKD)患者は短期的死亡率が高い。 我々は,HKDのICU患者に対して,30日間の院内死亡を予測できる機械学習フレームワークを開発した。
  論文  参考訳（メタデータ） (2025-07-25T00:48:23Z)
• A Copula Based Supervised Filter for Feature Selection in Diabetes Risk Prediction Using Machine Learning [0.0]
  我々は,Gumbel copula上尾依存性係数(lambda_U$)を用いて特徴量をランク付けする計算効率の高い教師付きフィルタを提案する。 2つの糖尿病データセット上の4つの分類器で、Mutual Information、mRMR、ReliefF、および$L_1$ Elastic Netを比較した。 上肢依存によるコプラに基づく特徴選択は、公衆衛生・臨床医療におけるリスクモデル構築のための強力で効率的かつ解釈可能なアプローチである。
  論文  参考訳（メタデータ） (2025-05-28T16:34:58Z)
• 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)
• Explainable Machine Learning System for Predicting Chronic Kidney Disease in High-Risk Cardiovascular Patients [0.0]
  本研究は,循環器疾患患者の慢性腎臓病(CKD)を予測できる機械学習システムを開発した。 ランダムフォレストモデルは88.2%の感度を達成した。
  論文  参考訳（メタデータ） (2024-04-17T07:59:33Z)
• 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)
• 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)

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。