論文の概要: An interpretable data-driven approach to optimizing clinical fall risk assessment

• arxiv url: http://arxiv.org/abs/2601.05194v1
• Date: Thu, 08 Jan 2026 18:17:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 17:01:53.330149
• Title: An interpretable data-driven approach to optimizing clinical fall risk assessment
• Title（参考訳）: 臨床転倒リスク評価の最適化のための解釈可能なデータ駆動型アプローチ
• Authors: Fardin Ganjkhanloo, Emmett Springer, Erik H. Hoyer, Daniel L. Young, Holley Farley, Kimia Ghobadi,
• Abstract要約: 我々は,Johns Hopkins Fall Risk Assessment Toolの転倒リスク予測を,データ駆動型モデリングアプローチによる臨床的に有意義な指標と整合させることを目標としている。 我々は,JHFRATスコアの重み付けに制約スコア最適化モデルを用い,その付加的構造と臨床閾値を保存した。 このモデルは現在のJHFRATよりも予測性能が大幅に向上した。
• 参考スコア（独自算出の注目度）: 0.0559762074594338
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this study, we aim to better align fall risk prediction from the Johns Hopkins Fall Risk Assessment Tool (JHFRAT) with additional clinically meaningful measures via a data-driven modelling approach. We conducted a retrospective cohort analysis of 54,209 inpatient admissions from three Johns Hopkins Health System hospitals between March 2022 and October 2023. A total of 20,208 admissions were included as high fall risk encounters, and 13,941 were included as low fall risk encounters. To incorporate clinical knowledge and maintain interpretability, we employed constrained score optimization (CSO) models to reweight the JHFRAT scoring weights, while preserving its additive structure and clinical thresholds. Recalibration refers to adjusting item weights so that the resulting score can order encounters more consistently by the study's risk labels, and without changing the tool's form factor or deployment workflow. The model demonstrated significant improvements in predictive performance over the current JHFRAT (CSO AUC-ROC=0.91, JHFRAT AUC-ROC=0.86). This performance improvement translates to protecting an additional 35 high-risk patients per week across the Johns Hopkins Health System. The constrained score optimization models performed similarly with and without the EHR variables. Although the benchmark black-box model (XGBoost), improves upon the performance metrics of the knowledge-based constrained logistic regression (AUC-ROC=0.94), the CSO demonstrates more robustness to variations in risk labeling. This evidence-based approach provides a robust foundation for health systems to systematically enhance inpatient fall prevention protocols and patient safety using data-driven optimization techniques, contributing to improved risk assessment and resource allocation in healthcare settings.
• Abstract（参考訳）: 本研究では,Johns Hopkins Fall Risk Assessment Tool (JHFRAT) の転倒リスク予測を,データ駆動型モデリングアプローチによる追加の臨床的意義のある指標と整合させることを目的としている。 2022年3月から2023年10月までにジョンズ・ホプキンス・ヘルス・システム3病院で54,209人の入院患者を対象に、振り返りコホート分析を行った。 合計20,208人が高い転倒リスク遭遇、13,941人が低い転倒リスク遭遇となった。 臨床知識を取り入れ,解釈可能性を維持するために,JHFRATスコアの重み付けに制約スコア最適化(CSO)モデルを用い,その付加構造と臨床閾値を保存した。 リカレーション(Recalibration)とは、項目の重みを調整することで、結果のスコアが、調査のリスクラベルによって、ツールのフォームファクタやデプロイメントワークフローを変更することなく、より一貫して遭遇できるようにすることである。 このモデルは現在のJHFRAT(CSO AUC-ROC=0.91、JHFRAT AUC-ROC=0.86)よりも予測性能が大幅に向上した。 このパフォーマンスの改善は、ジョンズ・ホプキンス・ヘルス・システム全体で毎週35人のハイリスク患者を保護していることを意味する。 制約付きスコア最適化モデルはEHR変数と同等に実行された。 ベンチマークブラックボックスモデル(XGBoost)は知識に基づく制約付きロジスティック回帰(AUC-ROC=0.94)のパフォーマンス指標を改善するが、CSOはリスクラベルのバリエーションに対してより堅牢性を示す。 このエビデンスベースのアプローチは、医療システムに対して、データ駆動最適化技術を用いて、患者の転倒防止プロトコルと患者の安全を体系的に強化する堅牢な基盤を提供し、医療環境におけるリスクアセスメントとリソースアロケーションの改善に寄与する。

関連論文リスト

• Explainable Admission-Level Predictive Modeling for Prolonged Hospital Stay in Elderly Populations: Challenges in Low- and Middle-Income Countries [65.4286079244589]
  長期滞在期間 (pLoS) は, 院内感染のリスクに関連する重要な要因である。 入院レベルの患者と病院の診療データを用いて, pLosの予測モデルを開発し, 解説する。
  論文  参考訳（メタデータ） (2026-01-07T23:35:24Z)
• Breast Cancer Recurrence Risk Prediction Based on Multiple Instance Learning [0.0]
  本研究は,HematoxylinおよびEosinstened whole-slide image(WSIs)を用いた深層学習における計算病理の可能性について検討する。 CLAM-SB, ABMIL, ConvNeXt-MIL-XGBoostの3つのマルチインスタンス学習フレームワークを, 210症例の社内データセット上で開発・比較した。 5倍のクロスバリデーションでは、改良されたCLAM-SBモデルが最も高い性能を示し、平均曲線下面積(AUC)は0.836で、分類精度は76.2%であった。
  論文  参考訳（メタデータ） (2025-12-21T13:46:50Z)
• Optimizing Clinical Fall Risk Prediction: A Data-Driven Integration of EHR Variables with the Johns Hopkins Fall Risk Assessment Tool [0.059313275041517295]
  我々は,Johns Hopkins Fall Risk Assessment Toolの転倒リスク予測を臨床的に意味のある指標と整合させることを目標としている。 当院では,ジョンズ・ホプキンス病院3病院から54,209人の入院患者について振り返り分析を行った。
  論文  参考訳（メタデータ） (2025-10-23T16:31:09Z)
• Conformal Lesion Segmentation for 3D Medical Images [82.92159832699583]
  本稿では,データ駆動しきい値の校正をコンフォーマル化することで,テスト時間FNRが目標許容値以下であることを保証する,リスク制約付きフレームワークを提案する。 5つのバックボーンモデルにまたがる6つの3D-LSデータセット上でのCLSの統計的健全性と予測性能を検証し,臨床実践におけるリスク認識セグメンテーションの展開に関する実用的な知見を得た。
  論文  参考訳（メタデータ） (2025-10-19T08:21:00Z)
• Beyond Reactive Safety: Risk-Aware LLM Alignment via Long-Horizon Simulation [69.63626052852153]
  本稿では,モデル生成によるアドバイスが社会システムを通じてどのように伝播するかを示す概念実証フレームワークを提案する。 また、100の間接的な害シナリオのデータセットを導入し、害のないユーザプロンプトから有害で非有害な結果を予測するモデルの能力をテストする。
  論文  参考訳（メタデータ） (2025-06-26T02:28:58Z)
• 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)
• Foundation Model of Electronic Medical Records for Adaptive Risk Estimation [6.248030496243407]
  ETHOSは幅広いアプリケーションを開発するための多用途フレームワークである。 ARESは、臨床が定義した臨界事象に対するダイナミックでパーソナライズされたリスク確率を計算するためにETHOSを使用する。 ARESはパーソナライズされた説明可能性モジュールも備えており、リスク見積に影響を与える重要な臨床要因を強調している。
  論文  参考訳（メタデータ） (2025-02-10T03:22:39Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• 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)
• 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)

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。