論文の概要: Predicting High-Risk Colorectal Polyps in African Americans Using Pre-Colonoscopy Clinical Features: Machine Learning Model Development and Temporal Validation

• arxiv url: http://arxiv.org/abs/2606.21492v1
• Date: Fri, 19 Jun 2026 14:41:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 13:08:23.723371
• Title: Predicting High-Risk Colorectal Polyps in African Americans Using Pre-Colonoscopy Clinical Features: Machine Learning Model Development and Temporal Validation
• Title（参考訳）: 臨床像を用いたアフリカ系アメリカ人における高リスク大腸ポリープの予測 : 機械学習モデルの開発と時間的検証
• Authors: Basheer Qolomany, Mrinalini Deverapall, Adeyinka Laiyemo, Zaki Sherif, Mori Yuichi, Omer Ahmed, Hassan Brim, Hassan Ashktorab,
• Abstract要約: 大腸内視鏡検査に先立つ非侵襲的特徴が、よりリスクの高い患者を識別するのに役立つかどうか、関心が高まっている。 我々は,非侵襲的,前大腸内視鏡的,臨床的,行動学的特徴のみを用いて,高リスク大腸ポリープを予測する機械学習モデルを開発した。 高リスクポリープはvillous or tubullovillous adenomas, high-grade dysplasia, polyps >= 10 mm in size, and/or the presence of >= 3 polyps per procedure。
• 参考スコア（独自算出の注目度）: 0.23109591184945585
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Risk stratification for advanced colorectal polyps typically relies on colonoscopy and/or pathology findings. However, there is growing interest in whether non-invasive features available prior to colonoscopy can help identify patients at higher risk. Such approaches may enhance clinical decision-making by prioritizing surveillance for individuals most likely to harbor high-risk polyps, when colonoscopy resources are limited while potentially reducing unnecessary procedures in lower-risk patients. Importantly, the use of non-invasive, pre-procedural information may also help promote more equitable access to risk stratification, particularly in settings where colonoscopy resources are limited or unevenly distributed. We aimed to develop and externally validate machine learning models to predict high-risk colorectal polyps using only non-invasive, pre-colonoscopy demographic, clinical, and behavioral features in a diverse, predominantly African American, urban cohort. We conducted a retrospective cohort study using demographic, lifestyle, and comorbidity data from patients who underwent colonoscopy at Howard University Hospital to develop and validate several machine learning models, including neural networks, random forest, support vector machines (SVM), Naive Bayes, logistic regression, decision trees, k-nearest neighbors (KNN), and XGBoost, for predicting high-risk colorectal polyps. High-risk polyps (HRP) were defined as villous or tubullovillous adenomas, high-grade dysplasia, polyps >= 10 mm in size, and/or the presence of >= 3 polyps per procedure; all other cases were classified as low-risk polyps (LRP). The dataset included 4,681 patients from 2015-2022 used for internal validation and 1,562 patients from 2023-2024 used for external validation.
• Abstract（参考訳）: 進行大腸ポリープのリスク階層化は大腸内視鏡および/または病理所見に依存するのが一般的である。 しかし、大腸内視鏡に先行する非侵襲的特徴がリスクの高い患者を識別するのに役立つかどうかについては関心が高まっている。 このようなアプローチは、大腸内視鏡の資源が限られており、低リスクの患者では不要な処置を減らしている場合、リスクの高いポリープを収容する可能性が最も高い個人に対する監視を優先することで、臨床上の意思決定を強化する可能性がある。 重要なことに、非侵襲的でプロデューラルな情報を使用することは、特に大腸内視鏡リソースが限定的または不均一に分散された環境で、リスク階層化へのより公平なアクセスを促進するのに役立つ。 我々は,多様で主にアフリカ系アメリカ人の都市コホートにおいて,非侵襲的,前大腸内視鏡的,臨床的,行動的特徴のみを用いて,高リスク大腸ポリープを予測するための機械学習モデルの開発と外部的検証を目的とした。 われわれはハワード大学病院で大腸内視鏡を施行した患者を対象に, ニューラルネットワーク, ランダム森林, サポートベクターマシン (SVM), ナイブベイズ, ロジスティック回帰, 決定木, k-nearest neighbors (KNN), およびXGBoostなどの機械学習モデルの開発と評価を行った。 高リスクポリープ (HRP) はvillous or tubullovillous adenomas, high-grade dysplasia, polyps >= 10 mm in size, and/or the presence of >= 3 polyps per procedure, その他はすべて低リスクポリープ (LRP) に分類された。 2015-2022年の患者は4,681人、2023-2024年の患者は1,562人だった。

関連論文リスト

• A Breast Vision Pathology Foundation Model for Real-world Clinical Utility [65.57568187389113]
  a bfBRAVE, a breast-adaptive pathology foundation model developed and evaluation using a total resources of 101,638 breast wholeslide images。 臨床ワークフローにおけるBRAVEの実践的役割は、通常のAI支援による第2レビューから低リスクのケースを安全に排除すること、そしてさらなる評価のためのケースの優先順位付けなどである。
  論文  参考訳（メタデータ） (2026-05-06T07:44:39Z)
• Cerebra: A Multidisciplinary AI Board for Multimodal Dementia Characterization and Risk Assessment [56.62016795093786]
  CerebraはインタラクティブなマルチエージェントAIチームで、ERH、臨床ノート、医療画像分析のための特殊エージェントをコーディネートする。 構造化された表現を操作することで、プライバシ保護デプロイメントをサポートし、モダリティが不完全であれば、堅牢である。 Cerebraは、有識者のパフォーマンスを著しく改善し、前向き認知症リスク推定において精度を17.5ポイント向上させた。
  論文  参考訳（メタデータ） (2026-03-23T05:46:45Z)
• Decoding Future Risk: Deep Learning Analysis of Tubular Adenoma Whole-Slide Images [2.0049131811804144]
  大腸癌(CRC)は、がん関連死亡の重大な原因である。 低悪性度ポリープと診断された患者の顕著な部分は、後年CRCを発症する。 本研究では、機械学習アルゴリズム、特に畳み込みニューラルネットワーク(CNN)が、全スライディング画像の微妙な組織学的特徴を検出できるかどうかを検討する。
  論文  参考訳（メタデータ） (2026-02-09T20:00:04Z)
• Early Mortality Prediction in ICU Patients with Hypertensive Kidney Disease Using Interpretable Machine Learning [3.4335475695580127]
  集中治療室(ICUs)の高血圧性腎疾患(HKD)患者は短期的死亡率が高い。 我々は,HKDのICU患者に対して,30日間の院内死亡を予測できる機械学習フレームワークを開発した。
  論文  参考訳（メタデータ） (2025-07-25T00:48:23Z)
• 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)
• Improving Colorectal Cancer Screening and Risk Assessment through Predictive Modeling on Medical Images and Records [2.675031613330622]
  大腸内視鏡検査による大腸癌進展前のポリープの同定 現在のフォローアップガイドラインは、主に他の重要なリスク要因を見渡す機能に依存しています。 組織像解析にトランスフォーマーを用いたモデルを適用し,5年間のCRCリスクを予測した。
  論文  参考訳（メタデータ） (2024-10-13T15:39:53Z)
• 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)
• BIO-CXRNET: A Robust Multimodal Stacking Machine Learning Technique for Mortality Risk Prediction of COVID-19 Patients using Chest X-Ray Images and Clinical Data [0.0]
  本研究は、イタリアで入院した930人の新型コロナウイルス患者のリスクを予測するために、25のバイオマーカーとCXR画像を用いている。 提案手法は精度、感度、F1スコアをそれぞれ89.03%、90.44%、89.03%とした。 ノモグラムに基づく採点法では、F1スコア92.88 %の高リスク患者の死亡確率を予測することができた。
  論文  参考訳（メタデータ） (2022-06-15T15:23:43Z)
• Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
  我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。 また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
  論文  参考訳（メタデータ） (2020-07-20T19:08:50Z)

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。