論文の概要: Enhancing Framingham Cardiovascular Risk Score Transparency through Logic-Based XAI
- arxiv url: http://arxiv.org/abs/2602.22149v1
- Date: Wed, 25 Feb 2026 17:58:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-26 18:19:16.938134
- Title: Enhancing Framingham Cardiovascular Risk Score Transparency through Logic-Based XAI
- Title（参考訳）: 論理に基づくXAIによるFlammingham心血管リスクスコアの透明性向上
- Authors: Emannuel L. de A. Bezerra, Luiz H. T. Viana, Vinícius P. Chagas, Diogo E. Rolim, Thiago Alves Rocha, Carlos H. L. Cavalcante,
- Abstract要約: 心臓血管疾患(CVD)は、世界中で1900万人以上の死者を出した世界的健康上の課題の1つだ。
フレイミングハムリスクスコア(Framingham Risk Score、FRS)は、世界で最も広く使われ、推奨されているスコアの一つである。
このような透明性の欠如のため、我々はFRSの論理的説明器を提示する。
- 参考スコア（独自算出の注目度）: 0.9236074230806578
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cardiovascular disease (CVD) remains one of the leading global health challenges, accounting for more than 19 million deaths worldwide. To address this, several tools that aim to predict CVD risk and support clinical decision making have been developed. In particular, the Framingham Risk Score (FRS) is one of the most widely used and recommended worldwide. However, it does not explain why a patient was assigned to a particular risk category nor how it can be reduced. Due to this lack of transparency, we present a logical explainer for the FRS. Based on first-order logic and explainable artificial intelligence (XAI) fundaments, the explainer is capable of identifying a minimal set of patient attributes that are sufficient to explain a given risk classification. Our explainer also produces actionable scenarios that illustrate which modifiable variables would reduce a patient's risk category. We evaluated all possible input combinations of the FRS (over 22,000 samples) and tested them with our explainer, successfully identifying important risk factors and suggesting focused interventions for each case. The results may improve clinician trust and facilitate a wider implementation of CVD risk assessment by converting opaque scores into transparent and prescriptive insights, particularly in areas with restricted access to specialists.
- Abstract（参考訳）: 心臓血管疾患(CVD)は、世界中で1900万人以上の死者を出した世界的健康上の課題の1つだ。
そこで,CVDのリスクを予測し,臨床的意思決定を支援するツールが開発されている。
特に、フレイミングハムリスクスコア(FRS)は世界で最も広く使われ、推奨されている。
しかし、なぜ患者が特定のリスクカテゴリーに割り当てられたのか、どのように減らすことができるのかは説明できない。
このような透明性の欠如のため、我々はFRSの論理的説明器を提示する。
一階述語論理と説明可能な人工知能(XAI)基金に基づいて、所定のリスク分類を説明するのに十分な最小限の患者属性を識別することができる。
また,適応変数が患者のリスクカテゴリを減少させるかを示す実行可能なシナリオも生成する。
FRS (22,000以上のサンプル) の入力組み合わせについて評価し, 説明とともに検証し, 重要なリスク要因を同定し, それぞれの事例に焦点を絞った介入を提案する。
この結果は臨床医の信頼を向上し、不透明なスコアを透明で規範的な洞察、特に専門医に限定された領域に変換することで、CVDリスクアセスメントのより広範な実施を促進する可能性がある。
関連論文リスト
- Causal and Federated Multimodal Learning for Cardiovascular Risk Prediction under Heterogeneous Populations [0.0]
我々は、クロスモーダルトランスフォーマーとグラフニューラルネットワークを統合した単一のマルチモーダル学習フレームワークを作成し、因果表現学習を行い、パーソナライズされたCVDリスクを測定する。
このモデルは、ゲノム変異、心臓MRI、心電図波形、ウェアラブルストリーム、構造化ERHデータを組み合わせてリスクを予測する。
本研究は,CVD予測に対する臨床的信頼度,解釈性,プライバシへの原則的アプローチの道を開くものである。
論文 参考訳（メタデータ） (2026-01-05T14:32:49Z) - RADAR: A Risk-Aware Dynamic Multi-Agent Framework for LLM Safety Evaluation via Role-Specialized Collaboration [81.38705556267917]
大規模言語モデル(LLM)の既存の安全性評価手法は、固有の制約に悩まされている。
リスク概念空間を再構築する理論的枠組みを導入する。
マルチエージェント協調評価フレームワークRADARを提案する。
論文 参考訳（メタデータ） (2025-09-28T09:35:32Z) - Competing Risks: Impact on Risk Estimation and Algorithmic Fairness [0.0]
生存分析(Survival analysis)は、検閲患者として知られる研究期間中に興味のある出来事を経験していない患者のことを指す。
競合するリスクは、しばしば検閲として扱われる。
我々の研究は、競合するリスクを検閲として扱うことが、生存率のかなりのバイアスをもたらし、リスクを体系的に過大評価し、そして批判的に、格差を増幅する理由を示している。
論文 参考訳（メタデータ） (2025-08-07T14:25:43Z) - 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) - Fuzzy Rule based Intelligent Cardiovascular Disease Prediction using Complex Event Processing [0.8668211481067458]
心血管疾患 (CVD) は、不健康な食事、身体活動の欠如、その他の要因により、急速に世界的な懸念が高まっている。
最近の研究は、リスクと死亡率を減らすための正確でタイムリーな病気予測に焦点を当てている。
本稿では,リアルタイム意思決定支援のためのファジィルールに基づく臨床データ監視システムを提案する。
論文 参考訳（メタデータ） (2024-09-19T16:36:24Z) - Petal-X: Human-Centered Visual Explanations to Improve Cardiovascular Risk Communication [1.4613744540785565]
本研究は臨床医が共有した意思決定を支援する新しいツールであるPetal-Xの設計と実装について述べる。
Petal-Xは、新しいビジュアライゼーション、Petal Product Plots、そしてSCORE2のテーラーメイドのグローバルサロゲートモデルに依存している。
論文 参考訳（メタデータ） (2024-06-26T18:48:50Z) - Region-specific Risk Quantification for Interpretable Prognosis of COVID-19 [36.731054010197035]
新型コロナウイルス(COVID-19)のパンデミックは、世界的な公衆衛生を悪化させ、正確な診断と疾病対策の介入を必要とし、死亡率を下げている。
胸部X線画像(CXR)を用いて、新型コロナウイルスの予後に対する理解と信頼の向上を目的とした、解釈可能な深層生存予測モデルを提案する。
論文 参考訳（メタデータ） (2024-05-05T05:08:38Z) - Auditing Fairness under Unobserved Confounding [56.61738581796362]
意外なことに、リスクの高い人に対する治療率の有意義な限界を計算できることが示されています。
現実の多くの環境では、リスクの偏りのない見積を導き出すために、アロケーションの前にデータを持っているという事実を使用します。
論文 参考訳（メタデータ） (2024-03-18T21:09:06Z) - Diagnosis Uncertain Models For Medical Risk Prediction [80.07192791931533]
本研究は, 患者の診断にはアクセスできない, バイタルサイン, 検査値, 既往歴にアクセス可能な患者リスクモデルについて考察する。
このようなすべての原因のリスクモデルが、診断全体にわたって良い一般化を持つが、予測可能な障害モードを持つことが示される。
患者診断の不確実性から生じるリスク予測の不確実性を明示的にモデル化し,この問題に対する対策を提案する。
論文 参考訳（メタデータ） (2023-06-29T23:36:04Z) - Penalized Deep Partially Linear Cox Models with Application to CT Scans
of Lung Cancer Patients [42.09584755334577]
肺がんは世界中のがん死亡の原因であり、効果的な治療法を設計するための死亡リスクを理解することの重要性を強調している。
NLST(National Lung Screening Trial)は、肺がん患者の死亡リスクを定量化するために、CTテクスチャ解析を用いている。
本稿では,SCADペナルティを組み込んで重要なテクスチャ特徴を抽出し,深層ニューラルネットワークを用いてモデルの非パラメトリック成分を推定する,Pentalized Deep partially Linear Cox Model (Penalized DPLC)を提案する。
論文 参考訳（メタデータ） (2023-03-09T15:38:16Z)
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。