論文の概要: Survival Meets Classification: A Novel Framework for Early Risk Prediction Models of Chronic Diseases

• arxiv url: http://arxiv.org/abs/2603.11598v1
• Date: Thu, 12 Mar 2026 06:40:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-13 14:46:25.929926
• Title: Survival Meets Classification: A Novel Framework for Early Risk Prediction Models of Chronic Diseases
• Title（参考訳）: Survival Meets Classification: 慢性疾患の早期リスク予測モデルのための新しいフレームワーク
• Authors: Shaheer Ahmad Khan, Muhammad Usamah Shahid, Muddassar Farooq,
• Abstract要約: 本稿では, 生存分析と分類手法を統合することによって, 疾患リスクモデルに対する新しいアプローチを提案する。 本研究では, 生存分析手法を再設計し, 効果的に分類できることを示す。 実世界の大規模EMRデータを用いた実験の結果,従来の最先端モデルと比較すると,生存率,F1スコア,AUROCの性能は同等かそれ以上であることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Chronic diseases are long-lasting conditions that require lifelong medical attention. Using big EMR data, we have developed early disease risk prediction models for five common chronic diseases: diabetes, hypertension, CKD, COPD, and chronic ischemic heart disease. In this study, we present a novel approach for disease risk models by integrating survival analysis with classification techniques. Traditional models for predicting the risk of chronic diseases predominantly focus on either survival analysis or classification independently. In this paper, we show survival analysis methods can be re-engineered to enable them to do classification efficiently and effectively, thereby making them a comprehensive tool for developing disease risk surveillance models. The results of our experiments on real-world big EMR data show that the performance of survival models in terms of accuracy, F1 score, and AUROC is comparable to or better than that of prior state-of-the-art models like LightGBM and XGBoost. Lastly, the proposed survival models use a novel methodology to generate explanations, which have been clinically validated by a panel of three expert physicians.
• Abstract（参考訳）: 慢性疾患は長期にわたる医学的注意を必要とする長期の疾患である。 本研究では, 糖尿病, 高血圧, CKD, COPD, 慢性虚血性心疾患の早期発症リスク予測モデルを開発した。 本研究では, 生存分析と分類手法を統合することで, 疾患リスクモデルに対する新たなアプローチを提案する。 慢性疾患のリスクを予測する伝統的なモデルは、主に生存分析または別々に分類することに焦点を当てている。 本稿では, 生存分析手法を再設計し, それらの分類を効果的に効果的に行えるようにし, 疾病リスク監視モデルを構築するための総合的なツールであることを示す。 実世界の大EMRデータを用いた実験の結果,F1スコア,AUROCの生存モデルの性能は,LightGBMやXGBoostといった従来の最先端モデルと同等かそれ以上であることがわかった。 最後に、提案した生存モデルは、3人の専門医のパネルによって臨床的に検証された説明を生成するために、新しい方法論を用いている。

関連論文リスト

• Trustworthy Chronic Disease Risk Prediction For Self-Directed Preventive Care via Medical Literature Validation [0.046040036610482664]
  個人的・生活習慣的要因のみを用いて,13の慢性疾患の発症リスクを予測する深層学習モデルを構築した。 我々は、SHAPに基づく説明可能性を用いて、最も影響力のあるモデルの特徴を特定し、確立した医学文献に対して検証する。 この研究は、自己指導型予防ケアのための信頼できる機械学習ツールの開発の基礎を築いた。
  論文  参考訳（メタデータ） (2025-06-21T07:08:56Z)
• 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)
• An Explainable Disease Surveillance System for Early Prediction of Multiple Chronic Diseases [0.0]
  複数の慢性疾患に対する臨床的、実用的、説明可能な疾患監視システムを開発した。 本研究は, 来年の慢性疾患のリスクを事前に評価するために, 医療史, バイタル, 診断, 医薬品など, 日常的に利用可能なデータに焦点をあてる。
  論文  参考訳（メタデータ） (2025-01-27T11:26:54Z)
• SurvAttack: Black-Box Attack On Survival Models through Ontology-Informed EHR Perturbation [9.500873129276531]
  生存分析モデルのための新しいブラックボックス攻撃フレームワークであるSurvAttackを紹介する。 本研究は,患者の医療史を通じて,様々な相手行動を伴う医療コードを操作するアルゴリズムを特に開発する。 提案アルゴリズムは,サバイバルモデルを攻撃するための効率的なSA特異的戦略として用いられる。
  論文  参考訳（メタデータ） (2024-12-24T23:35:42Z)
• Interpretable Survival Analysis for Heart Failure Risk Prediction [50.64739292687567]
  現状の生存モデルと解釈可能かつ競合する新しい生存分析パイプラインを提案する。 我々のパイプラインは最先端のパフォーマンスを達成し、心不全のリスク要因に関する興味深い新しい洞察を提供する。
  論文  参考訳（メタデータ） (2023-10-24T02:56:05Z)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• Neurological Prognostication of Post-Cardiac-Arrest Coma Patients Using EEG Data: A Dynamic Survival Analysis Framework with Competing Risks [4.487368901635044]
  脳波データを用いた心停止後コマトース患者の神経学的予後の枠組みを提案する。 我々のフレームワークは、患者レベルの累積頻度関数を推定する形で競合するリスクをサポートする動的生存分析モデルを使用する。 我々は,922人の実際のデータセット上で競合するリスクをサポートする3つの既存動的生存分析モデルをベンチマークすることで,我々の枠組みを実証する。
  論文  参考訳（メタデータ） (2023-08-17T03:46:23Z)
• SurvLatent ODE : A Neural ODE based time-to-event model with competing risks for longitudinal data improves cancer-associated Deep Vein Thrombosis (DVT) prediction [68.8204255655161]
  本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。 そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。 SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
  論文  参考訳（メタデータ） (2022-04-20T17:28:08Z)
• A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
  ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。 また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
  論文  参考訳（メタデータ） (2020-06-08T19:24:54Z)

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。