Fugu-MT 論文翻訳(概要): Beyond the Blood Draw: Explainable Machine Learning for Non-Invasive Dysglycemia Risk Screening

論文の概要: Beyond the Blood Draw: Explainable Machine Learning for Non-Invasive Dysglycemia Risk Screening

arxiv url: http://arxiv.org/abs/2606.16056v1
Date: Sun, 14 Jun 2026 23:10:55 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-16 18:36:05.009052
Title: Beyond the Blood Draw: Explainable Machine Learning for Non-Invasive Dysglycemia Risk Screening
Title（参考訳）: 非侵襲性血糖リスクスクリーニングのための説明可能な機械学習
Abstract要約: ジス血糖は世界中で多数の成人に影響を及ぼすが、多くは未診断のままである。実験室検査を必要としない非侵襲的血糖リスクスクリーニングのための機械学習モデルを開発し,検証した。
参考スコア（独自算出の注目度）: 23.49465719376556
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Dysglycemia, encompassing both prediabetes and diabetes, affects huge numbers of adults worldwide, yet many of them remain undiagnosed. We developed and validated machine-learning (ML) models for non-invasive screening of dysglycemia risk that require no laboratory tests. Pooling data from the National Health and Nutrition Examination Survey (NHANES) 2017--2023 (n=14,352), we trained six ML models with stratified 5-fold cross-validation and compared them with two established clinical risk scores. LightGBM achieved the highest area under the receiver operating characteristic curve (AUC=0.820, 95% CI: 0.806--0.835), outperforming the Finnish Diabetes Risk Score (0.745) and American Diabetes Association Risk Test (0.783). SHAP analysis identified age, race/ethnicity, and waist-to-height ratio as the most influential predictors. Subgroup analyses confirmed consistent performance across demographic strata (AUC: 0.735--0.832). These results demonstrate the feasibility of explainable, laboratory-free dysglycemia screening for deployment in community settings and self-tracking health applications.
Abstract（参考訳）: 糖尿病は糖尿病と糖尿病の両方を包含するが、世界中で多数の成人に影響を及ぼすが、その多くは未診断のままである。実験室検査を必要としない血糖リスクの非侵襲スクリーニングのための機械学習(ML)モデルの開発と検証を行った。 The National Health and Nutrition Examination Survey (NHANES) 2017--2023 (n=14,352), we trained six ML models with Stratified 5-fold cross-validation and compared them with two established clinical risk scores。 LightGBM は受信機動作特性曲線 (AUC=0.820, 95% CI: 0.806--0.835) で最高値に達し、フィンランド糖尿病リスクスコア (0.745) とアメリカ糖尿病協会リスクテスト (0.783) を上回った。 SHAP分析では,年齢,人種・民族性,ウエスト・ツー・ハイト比を最も影響力のある予測因子として同定した。サブグループ分析により,人口層間(AUC: 0.735--0.832)で一貫した性能が確認された。これらの結果から, 地域社会への展開と自己追跡型健康分野への展開に向けた, 説明可能な無検査血糖スクリーニングの可能性が示唆された。

関連論文リスト

Comprehensive Evaluation of Machine Learning for Type 2 Diabetes Risk Prediction: Large-Scale External Validation and Fairness Analysis [0.0]
機械学習に基づく2型糖尿病リスク予測モデルは、優れた内部検証結果を得るが、外部テストの欠如と公平性評価により実世界での有効性を失う。国の代表者に対する差別・校正・アルゴリズムフェアネスを評価する多次元枠組みを開発した。
論文参考訳（メタデータ） (2026-06-27T07:02:40Z)
A Unified Three-Stage Machine Learning Framework for Diabetes Detection, Subtype Discrimination, and Cognitive-Metabolic Hypothesis Testing [0.5599792629509229]
糖尿病は世界中で5億3700万人以上の成人に影響を与えており、依然として予防医療において大きな課題となっている。本稿では,糖尿病検出,サブタイプ指向クラスタリング,メタボリック認知関連解析のための再現可能な3段階機械学習フレームワークを提案する。
論文参考訳（メタデータ） (2026-05-13T12:53:39Z)
PanCanBench: A Comprehensive Benchmark for Evaluating Large Language Models in Pancreatic Oncology [48.732366302949515]
大規模言語モデル(LLM)は、標準化された検査において専門家レベルの性能を達成したが、複数の選択精度は現実の臨床的有用性や安全性を十分に反映していない。我々は、未確認患者の質問に対して、専門家のルーブリックを作成するための、ループ内人間パイプラインを開発した。 LLM-as-a-judge フレームワークを用いて,22のプロプライエタリおよびオープンソース LLM の評価を行い,臨床完全性,事実精度,Web-search 統合について検討した。
論文参考訳（メタデータ） (2026-03-02T00:50:39Z)
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)
Predicting Length of Stay in Neurological ICU Patients Using Classical Machine Learning and Neural Network Models: A Benchmark Study on MIMIC-IV [49.1574468325115]
本研究は、MIMIC-IVデータセットに基づく神経疾患患者を対象とした、ICUにおけるLOS予測のための複数のMLアプローチについて検討する。評価されたモデルには、古典的MLアルゴリズム(K-Nearest Neighbors、Random Forest、XGBoost、CatBoost)とニューラルネットワーク(LSTM、BERT、テンポラルフュージョントランス)が含まれる。
論文参考訳（メタデータ） (2025-05-23T14:06:42Z)
Insulin Resistance Prediction From Wearables and Routine Blood Biomarkers [44.735350554750916]
われわれはインスリン抵抗性の研究のために、米国全土でこれまでで最大のデータセットをリモートで採用しました。ディープニューラルネットワークモデルは、簡単に利用可能なデジタルバイオマーカーと血液バイオマーカーに基づいてインスリン抵抗を予測するために開発された。モデルでは、肥満および妊娠中の被験者の93%の感度と95%の調整された特異性を示した。
論文参考訳（メタデータ） (2025-04-30T16:10:20Z)
From Glucose Patterns to Health Outcomes: A Generalizable Foundation Model for Continuous Glucose Monitor Data Analysis [47.23780364438969]
本稿では,CGMデータの生成基盤モデルであるGluFormerについて紹介する。 GluFormerは、異なる民族や年齢、5つの国、8つのCGMデバイス、多様な病態状態にまたがる19の外部コホートに一般化する。 CGMデータと12年間のフォローアップを持つ580人の成人の縦断的研究において、GluFormerは血液HbA1C%よりも糖尿病を効果的に発症するリスクが高い個人を特定する。
論文参考訳（メタデータ） (2024-08-20T13:19:06Z)
Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文参考訳（メタデータ） (2024-04-26T16:39:50Z)
Large Language Multimodal Models for 5-Year Chronic Disease Cohort Prediction Using EHR Data [15.474201222908107]
糖尿病などの慢性疾患が世界中で致死率と死亡率の主な原因となっている。我々は,慢性疾患リスクの予測にマルチモーダルデータを組み込んだLarge Language Multimodal Models (LLMMs) フレームワークを提案する。本手法では, テキスト埋め込みエンコーダとマルチヘッドアテンション層を組み合わせて, 深層ニューラルネットワーク(DNN)モジュールを用いて, 血液の特徴と慢性疾患のセマンティクスを潜在空間にマージする。
論文参考訳（メタデータ） (2024-03-02T22:33:17Z)
Development of a dynamic type 2 diabetes risk prediction tool: a UK Biobank study [0.8620335948752806]
英国バイオバンクデータセットの301機能を用いて10年間の2型糖尿病リスクスコアを算出した。 Cox比例ハザードモデルは、同じ特徴を使ってトレーニングされたDeepSurvモデルをわずかに上回った。このツールは、2型糖尿病のリスクのある患者の臨床スクリーニングや患者のエンパワーメントの促進に使用できる。
論文参考訳（メタデータ） (2021-04-20T16:37:26Z)

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。