論文の概要: Comprehensive Evaluation of Machine Learning for Type 2 Diabetes Risk Prediction: Large-Scale External Validation and Fairness Analysis
- arxiv url: http://arxiv.org/abs/2607.16253v1
- Date: Sat, 27 Jun 2026 07:02:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-27 00:46:13.058454
- Title: Comprehensive Evaluation of Machine Learning for Type 2 Diabetes Risk Prediction: Large-Scale External Validation and Fairness Analysis
- Title（参考訳）: 2型糖尿病リスク予測のための機械学習の総合的評価:大規模外部検証と公正分析
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning-based Type 2 diabetes risk prediction models obtain good internal validation results but lose effectiveness in real-world applications due to deficient external testing and fairness assessment. We developed a multi-dimensional framework evaluating discrimination, calibration, interpretability, and algorithmic fairness on nationally representative populations. An XGBoost model was trained on NHANES 2015-2020 (n=15,685) using eight non-laboratory predictors: age, sex, race/ethnicity, BMI, smoking status, physical activity, history of heart attack, and history of stroke. External validation was performed on BRFSS 2020-2022 (n=1,285,783) under realistic distribution shift. Internal validation showed good discrimination (AUC=0.794, 95% CI 0.788-0.800), with performance loss on external validation (AUC=0.717, relative decrease: -9.7%, p<0.001). Fairness analysis revealed severe bias: elderly adults (>=60) showed AUC=0.607 vs 0.742 for young adults (difference=0.135, p<0.001); obese individuals showed AUC=0.698 vs 0.735 for normal weight (difference=0.037, p<0.001). Gender showed comparable performance (male=0.723 vs female=0.712, p=0.142). Calibration revealed risk overestimation (Brier score=0.123). SHAP analysis identified age, BMI, and physical activity as primary risk drivers. Populations with highest diabetes risk receive the worst algorithmic performance, underscoring the need for fairness-aware, age-stratified deployment strategies before clinical use.
- Abstract（参考訳）: 機械学習に基づく2型糖尿病リスク予測モデルでは、良好な内部検証結果が得られるが、外部テストの欠如と公平性評価により、現実のアプリケーションでは有効性が失われる。
国の代表者に対する差別・校正・解釈可能性・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。
XGBoost モデルは NHANES 2015-2020 (n=15,685) で、年齢、性別、人種・民族性、BMI、喫煙状況、身体活動、心臓発作の歴史、脳卒中の歴史の8つの非共同予測器を用いて訓練された。
BRFSS 2020-2022 (n=1,285,783) において, 現実的な分布シフト下で外部検証を行った。
内部検証は良好な差別(AUC=0.794, 95% CI 0.788-0.800)を示し、外部検証のパフォーマンス低下(AUC=0.717, 相対減少: -9.7%, p<0.001)を示した。
健常成人(>=60)はAUC=0.607対0.742(差=0.135,p<0.001)、肥満者は正常体重ではAUC=0.698対0.735(差=0.037,p<0.001)であった。
ジェンダーは同等のパフォーマンスを示した(male=0.723 vs female=0.712, p=0.142)。
校正ではリスク過大評価が認められた(Brier score=0.123)。
SHAP分析では、年齢、BMI、身体活動が主要なリスクドライバとして同定された。
糖尿病リスクが最も高い人口は、アルゴリズムのパフォーマンスが最悪であり、臨床使用前に公平に認識され、年齢階層化されたデプロイメント戦略の必要性を強調している。
関連論文リスト
- Beyond the Blood Draw: Explainable Machine Learning for Non-Invasive Dysglycemia Risk Screening [23.49465719376556]
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。
論文 参考訳（メタデータ） (2026-06-14T23:10:55Z) - Child Mortality Prediction in Bangladesh: A Decade-Long Validation Study [0.0]
バングラデシュの2011-2022年の人口統計調査(DHS)データ(n = 33,962)は,本論文で使用される。
モデルを(2011-2014)データでトレーニングし、2017年データで検証し、2022年データでテストしました。
モデルの最初のテストから8年後、遺伝的アルゴリズムをベースとしたNeural Architecture Searchは、XGBoostよりも優れた単層ニューラルネットワークを発見した。
論文 参考訳（メタデータ） (2026-02-03T19:18:50Z) - 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 Metabolic Dysfunction-Associated Steatotic Liver Disease using Machine Learning Methods [0.8642326601683298]
我々は、公正で厳密で再現可能なMASLD予測モデルを開発した。
MASLDは米国の成人の33%に影響を与え、最も一般的な慢性肝疾患である。
論文 参考訳（メタデータ） (2025-10-25T13:36:18Z) - A SHAP-based explainable multi-level stacking ensemble learning method for predicting the length of stay in acute stroke [3.2906073576204955]
既存の機械学習モデルは、最適以下の予測性能、限定的な一般化可能性を示し、システムレベルの要因を見落としている。
我々は,虚血性脳梗塞と出血性脳梗塞に対する解釈可能な多段階重ねアンサンブルモデルを開発した。
説明可能なアンサンブルモデルは,虚血性脳卒中におけるLOSの延長を効果的に予測する。
出血性脳卒中にはさらなる検証が必要である。
論文 参考訳（メタデータ） (2025-05-30T01:08:26Z) - 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) - 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) - Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。
AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
論文 参考訳（メタデータ） (2024-03-27T16:56:14Z) - Uncertainty-inspired Open Set Learning for Retinal Anomaly
Identification [71.06194656633447]
9つの網膜条件の基底像をトレーニングし,不確実性に着想を得たオープンセット(UIOS)モデルを構築した。
しきい値戦略を持つUIOSモデルはF1スコア99.55%、97.01%、91.91%を達成した。
UIOSは、高い不確実性スコアを正しく予測し、非ターゲットの網膜疾患、低品質の眼底画像、および非基本画像のデータセットを手動でチェックする必要があることを示唆した。
論文 参考訳（メタデータ） (2023-04-08T10:47:41Z) - 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) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳（メタデータ） (2020-10-22T02:28:11Z)
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。