論文の概要: Explainable Machine Learning for Pediatric Dental Risk Stratification Using Socio-Demographic Determinants

• arxiv url: http://arxiv.org/abs/2601.12405v1
• Date: Sun, 18 Jan 2026 13:40:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.616099
• Title: Explainable Machine Learning for Pediatric Dental Risk Stratification Using Socio-Demographic Determinants
• Title（参考訳）: ソシオデマトグラフィーを用いた小児歯科リスク階層化のための説明可能な機械学習
• Authors: Manasi Kanade, Abhi Thakkar, Gabriela Fernandes,
• Abstract要約: 方法: 人口レベルの小児データを用いて, 年齢, 収入と収益の比率, 人種・民族性, 性別, 医療歴などを用いて, 教師付き機械学習モデルを訓練した。 モデルは、高い確率レベルでリスクを過小評価する保守的なキャリブレーションによって、控えめな差別を達成した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Background: Pediatric dental disease remains one of the most prevalent and inequitable chronic health conditions worldwide. Although strong epidemiological evidence links oral health outcomes to socio-economic and demographic determinants, most artificial intelligence (AI) applications in dentistry rely on image-based diagnosis and black-box prediction models, limiting transparency and ethical applicability in pediatric populations. Objective: This study aimed to develop and evaluate an explainable machine learning framework for pediatric dental risk stratification that prioritizes interpretability, calibration, and ethical deployment over maximal predictive accuracy. Methods: A supervised machine learning model was trained using population-level pediatric data including age, income-to-poverty ratio, race/ethnicity, gender, and medical history. Model performance was assessed using receiver operating characteristic (ROC) analysis and calibration curves. Explainability was achieved using SHapley Additive exPlanations (SHAP) to provide global and individual-level interpretation of predictions. Results: The model achieved modest discrimination (AUC = 0.61) with conservative calibration, underestimating risk at higher probability levels. SHAP analysis identified age and income-to-poverty ratio as the strongest contributors to predicted risk, followed by race/ethnicity and gender. Conclusion: Explainable machine learning enables transparent, prevention-oriented pediatric dental risk stratification and supports population screening and equitable resource allocation rather than diagnostic decision-making.
• Abstract（参考訳）: 背景:小児歯科疾患は、世界中で最も一般的で不平等な慢性的な健康状態の1つである。 強力な疫学的証拠は口腔の健康結果と社会経済的および人口統計学的決定要因を結びつけるが、歯科医療における人工知能(AI)の応用のほとんどは画像に基づく診断とブラックボックス予測モデルに依存しており、小児科における透明性と倫理的適用性を制限している。 目的: 本研究の目的は, 最大予測精度よりも解釈可能性, 校正, 倫理的展開を優先する, 小児歯科リスク階層化のための説明可能な機械学習フレームワークを開発し, 評価することである。 方法: 人口レベルの小児データを用いて, 年齢, 収入と収益の比率, 人種・民族性, 性別, 医療歴などを用いて, 教師付き機械学習モデルを訓練した。 モデル性能を受信機動作特性(ROC)解析と校正曲線を用いて評価した。 SHAP (SHapley Additive exPlanations) を用いて予測のグローバルおよび個別レベルの解釈を行う。 結果: モデルは, 高い確率レベルでのリスクを過小評価し, 保守的なキャリブレーションによるモデスト判別(AUC = 0.61)を達成した。 SHAP分析では、年齢と収入と収益の比率が予測されるリスクの最も強い貢献者であり、続いて人種・民族・性別が続いた。 結論: 説明可能な機械学習は、透明で予防指向の小児歯科リスク階層化を可能にし、診断決定ではなく、人口スクリーニングと公平な資源配分をサポートする。

関連論文リスト

• Beyond Traditional Diagnostics: Transforming Patient-Side Information into Predictive Insights with Knowledge Graphs and Prototypes [55.310195121276074]
  本稿では,病気を予測するための知識グラフ,プロトタイプ認識,解釈可能なフレームワークを提案する。 構造化された信頼された医療知識を統合された疾患知識グラフに統合し、臨床的に意味のある疾患のプロトタイプを構築し、予測精度を高めるために対照的な学習を利用する。 臨床的に有効な説明を提供し、患者の物語と密接に一致し、患者中心のヘルスケアデリバリーの実践的価値を強調している。
  論文  参考訳（メタデータ） (2025-12-09T05:37:54Z)
• Machine Learning Meets Transparency in Osteoporosis Risk Assessment: A Comparative Study of ML and Explainability Analysis [0.0]
  本研究は,機械学習(ML)による骨粗しょう症のリスク予測の難しさに対処するものである。 XGBoostは評価モデルの中で最大の精度(91%)で、他のモデルの精度(0.92)、リコール(0.91)、F1スコア(0.90)を上回った。 本研究は, 加齢が骨粗しょう症のリスク予測の主要な要因であり, ホルモン変動と家族歴が続くことを示唆している。
  論文  参考訳（メタデータ） (2025-05-01T09:05:02Z)
• Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval [61.70489848327436]
  KAREは、知識グラフ(KG)コミュニティレベルの検索と大規模言語モデル(LLM)推論を統合する新しいフレームワークである。 MIMIC-IIIでは最大10.8～15.0%、MIMIC-IVでは12.6～12.7%である。
  論文  参考訳（メタデータ） (2024-10-06T18:46:28Z)
• Fairness in Machine Learning meets with Equity in Healthcare [6.842248432925292]
  本研究では,データやモデルのバイアスを識別・緩和する人工知能フレームワークを提案する。 ケーススタディでは、データの体系的バイアスがモデル予測における増幅バイアスにどのように寄与するかを示す。 今後の研究は、提案するMLフレームワークを実世界の臨床環境でテストし、検証することを目的としており、その影響が健康株の促進に与える影響を評価する。
  論文  参考訳（メタデータ） (2023-05-11T14:25:34Z)
• IA-GCN: Interpretable Attention based Graph Convolutional Network for Disease prediction [47.999621481852266]
  タスクに対する入力特徴の臨床的関連性を解釈する,解釈可能なグラフ学習モデルを提案する。 臨床シナリオでは、そのようなモデルは、臨床専門家が診断および治療計画のためのより良い意思決定を支援することができる。 本研究では,Tadpoleの平均精度が3.2%,UKBBジェンダーが1.6%,UKBB年齢予測タスクが2%と,比較方法と比較して優れた性能を示した。
  論文  参考訳（メタデータ） (2021-03-29T13:04:02Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• 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)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)

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。