論文の概要: Machine Learning-Based Pre-Test Risk Stratification for PCR-Confirmed Chlamydia Using Patient-Reported Data and Urine Biomarkers

• arxiv url: http://arxiv.org/abs/2605.16365v1
• Date: Sat, 09 May 2026 19:21:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 23:51:08.296438
• Title: Machine Learning-Based Pre-Test Risk Stratification for PCR-Confirmed Chlamydia Using Patient-Reported Data and Urine Biomarkers
• Title（参考訳）: 患者報告データと尿生マーカーを用いたPCR確認クラミジアの機械学習によるプレテストリスク階層化
• Abstract要約: Chlamydia trachomatis感染のリスクが高い個体の早期同定は、資源認識スクリーニングにおける分子試験の最適利用を可能にする可能性がある。 本研究では,日常的に利用可能な非侵襲的臨床データに基づいてトレーニングされた機械学習モデルを用いて,事前検査によるリスク階層化の可能性を評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Early identification of individuals at elevated risk of Chlamydia trachomatis infection may enable optimal use of molecular testing in resource-aware screening. We evaluate the feasibility of pre-test risk stratification (PTRS) using machine-learning models trained on routinely available, non-invasive clinical data. A curated dataset of 93 urine samples with PCR reference labels was analyzed using three feature groups: patient-reported history and symptoms, urine biomarkers from standard urinalysis, and their combination. Five supervised classifiers were evaluated using stratified 5-fold cross-validation with out-of-fold probability estimates. Performance was assessed using area under the receiver operating characteristic curve (AUC) and threshold-dependent metrics, with uncertainty quantified via bootstrap confidence intervals. Models using only patient-reported data showed moderate discrimination (AUC up to 0.72). Urine biomarker-based models demonstrated slightly lower peak discrimination but more consistent performance, with ensemble methods yielding the strongest results. Combining feature groups marginally increased the peak AUC and reduced performance variability across models, indicating improved robustness. Findings indicate that urine biomarkers provide a reliable predictive signal for PTRS that is complementary to patient-reported information, while feature integration enhances robustness. This work supports the integration of non-invasive, routinely available information for PTRS into screening workflows, including decentralized or home-based PCR contexts, to optimize testing prioritization.
• Abstract（参考訳）: Chlamydia trachomatis感染のリスクが高い個体の早期同定は、資源認識スクリーニングにおける分子試験の最適利用を可能にする可能性がある。 日常的に利用可能な非侵襲的臨床データに基づいてトレーニングされた機械学習モデルを用いて、PTRS(pre-test risk stratification)の有効性を評価する。 PCRレファレンスラベルを用いた93個の尿サンプルのキュレートデータセットを, 患者報告歴と症状, 尿中バイオマーカー, およびそれらの組み合わせの3つの特徴群を用いて分析した。 5つの教師付き分類器を5倍のクロスバリデーションとアウト・オブ・フォールドの確率推定を用いて評価した。 受信機動作特性曲線(AUC)としきい値依存測定値(しきい値依存測定値)に基づいて,ブートストラップ信頼区間を介して不確かさを定量化した。 患者報告データのみを用いたモデルでは、中等度差別(AUC: 0.72 まで)が認められた。 尿中バイオマーカーを用いたモデルでは、ピークの識別はわずかに低いが、より一貫した性能を示し、アンサンブル法が最も高い結果を得た。 機能グループを組み合わせることで、AUCのピークがわずかに増加し、モデル間でのパフォーマンスが変動し、堅牢性が向上した。 尿のバイオマーカーは、患者が報告した情報と相補的なPTRSの信頼性の高い予測信号を提供するが、機能統合は堅牢性を高める。 この研究は、PTRSの非侵襲的で日常的に利用可能な情報を、分散化や家庭ベースのPCRコンテキストを含むスクリーニングワークフローに統合し、テストの優先順位付けを最適化するのをサポートする。

関連論文リスト

• CaresAI at CT-DEB26: Detecting Dosing Errors In Clinical Trials Using Domain-Specific Transformer Embeddings and Classification Models [0.0]
  臨床試験(CT)におけるドッキングエラーは、患者に害を与え、薬物イベントを悪化させ、患者の結果を悪化させる可能性がある。 本研究は,試験情報のテキスト表現を評価することにより,CTプロトコル内の線量誤差を検出することを目的とする。
  論文  参考訳（メタデータ） (2026-06-29T12:46:49Z)
• Benchmarking Machine Learning Models for Multi-Omics-Based Breast Cancer Prediction [0.0]
  エストロゲン受容体(ER)は乳癌の診断、予後、治療選択において重要なバイオマーカーである。 本研究では,ER状態予測のための古典的機械学習モデルの系統的ベンチマーク分析を提案する。
  論文  参考訳（メタデータ） (2026-06-27T02:46:40Z)
• Multimodality Stacking with Blockwise missing values and application to the PIONeeR biomarkers study for prediction of resistance to immunotherapy [0.0]
  我々は,Multimodality Stacking with Blockwise missing Value (MSB)を紹介した。 MSBは、クロスバリデーション・スタックング・メタ・ラーナーを介して予測を集約する前に、モダリティ固有の特徴を独立にモデル化する。 MSBは肺がん患者の無再発生存を予測するためにPIONeeRで検証された。
  論文  参考訳（メタデータ） (2026-05-24T12:48:38Z)
• Predicting Multi-Drug Resistance in Bacterial Isolates Through Performance Comparison and LIME-based Interpretation of Classification Models [0.0]
  本研究では,細菌由来の多剤耐性(MDR)を予測するための解釈可能な機械学習フレームワークを提案する。 ロジスティック回帰、ランダムフォレスト、AdaBoost、XGBoost、LightGBMの5つの分類モデルが評価された。 アンサンブルモデル、特にXGBoostとLightGBMは、すべてのメトリクスに対して優れた予測能力を示した。
  論文  参考訳（メタデータ） (2026-02-25T20:50:01Z)
• Investigating the Impact of Histopathological Foundation Models on Regressive Prediction of Homologous Recombination Deficiency [52.50039435394964]
  回帰に基づくタスクの基礎モデルを体系的に評価する。 我々は5つの最先端基礎モデルを用いて、スライド画像全体(WSI)からパッチレベルの特徴を抽出する。 乳房、子宮内膜、肺がんコホートにまたがるこれらの抽出された特徴に基づいて、連続したRDDスコアを予測するモデルが訓練されている。
  論文  参考訳（メタデータ） (2026-01-29T14:06:50Z)
• Assessing the Feasibility of Early Cancer Detection Using Routine Laboratory Data: An Evaluation of Machine Learning Approaches on an Imbalanced Dataset [0.02030567625639093]
  犬における早期がん検出のためのアクセス可能なスクリーニングツールの開発は、獣医学における重要な課題である。 本研究は,Golden Retriever Lifetime Studyコホートを用いたがんリスク分類の可能性を評価する。 通常の検査データには統計的に検出可能ながんシグナルが存在するが、正常な老化やその他の炎症状態から臨床的に信頼性の高い識別を行うには弱く、確立されていないと結論付けている。
  論文  参考訳（メタデータ） (2025-10-23T04:52:42Z)
• Urinary Tract Infection Detection in Digital Remote Monitoring: Strategies for Managing Participant-Specific Prediction Complexity [43.108040967674185]
  尿路感染症(UTIs)は特に認知症(PLWD)の患者にとって重要な健康上の問題である この研究は、PLWDのUTIを検出する機械学習(ML)を利用した以前の研究に基づいている。
  論文  参考訳（メタデータ） (2025-02-18T12:01:55Z)
• 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)
• Prediction of MET Overexpression in Non-Small Cell Lung Adenocarcinomas from Hematoxylin and Eosin Images [0.4306805601880342]
  MET蛋白過剰発現は非小細胞肺癌(NSCLC)において標的となる デジタルヘマトキシリンとエオシン(H&E)のスライスを用いてMET過剰発現を予測するプレスクリーニングアルゴリズムの開発は、最も恩恵を受ける人のためのテストを促進する。
  論文  参考訳（メタデータ） (2023-10-11T17:32:24Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• 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)
• 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。