論文の概要: Interpretable Machine Learning for Air Pollution and Respiratory Health Prediction: A Socioeconomic Subgroup Analysis

• arxiv url: http://arxiv.org/abs/2607.17024v1
• Date: Sun, 19 Jul 2026 01:36:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.33978
• Title: Interpretable Machine Learning for Air Pollution and Respiratory Health Prediction: A Socioeconomic Subgroup Analysis
• Title（参考訳）: 大気汚染と呼吸健康予測のための解釈可能な機械学習:社会経済サブグループ分析
• Abstract要約: 本研究では、構造化国別週次データを用いて、呼吸器疾患率と空気質状態を予測するための解釈可能な機械学習フレームワークの評価を行った。 その結果,PM2.5濃度が呼吸病率の予測因子であり,線形および正規化線形モデルが最も高い回帰性能を示した。 サブグループ分析では、所得グループ間で類似した累積回帰誤差を示したが、PM2.5は低所得国の予測に強く寄与した。
• 参考スコア（独自算出の注目度）: 0.03759311286548667
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Air pollution and climate-related stressors are increasingly important concerns for respiratory health, especially in settings with unequal environmental exposure and healthcare capacity. This study evaluates an interpretable machine learning framework for predicting respiratory disease rates and air-quality status using structured country-level weekly data. Two supervised learning tasks were considered: regression of respiratory disease rate per 100,000 population and binary classification of air-quality status. Nine regression models and nine classification models were compared using nested cross-validation. Model interpretation was conducted using SHAP values, and subgroup analysis was performed across income levels and geographic regions. The results showed that PM2.5 concentration was the dominant predictor of respiratory disease rate, with linear and regularized linear models achieving the strongest regression performance. For air-quality classification, models achieved high balanced accuracy when PM2.5 was included, but performance decreased substantially when PM2.5 was removed, indicating strong dependence on pollutant-related information. SHAP analysis showed that, without PM2.5, socioeconomic and meteorological variables such as GDP per capita, precipitation, and healthcare access became more influential. Subgroup analysis showed similar aggregate regression error across income groups, but PM2.5 contributed more strongly to predictions in lower-middle-income countries. These results show that model accuracy alone is not sufficient for climate-health prediction. Interpretable models can help identify dominant pollution-related signals, test whether results depend on key pollutant variables, and show whether prediction patterns differ across socioeconomic groups.
• Abstract（参考訳）: 大気汚染と気候関連ストレスは、特に環境負荷と医療能力の不平等な環境では、呼吸の健康にとってますます重要な関心事となっている。 本研究では、構造化国別週次データを用いて、呼吸器疾患率と空気質状態を予測するための解釈可能な機械学習フレームワークの評価を行った。 教師付き学習課題は,10万人当たりの呼吸病率の回帰と,空気質状態の二分分類であると考えられた。 9つの回帰モデルと9つの分類モデルを比較した。 モデル解釈はSHAP値を用いて行われ、サブグループ分析は所得水準と地域にわたって行われた。 その結果,PM2.5濃度が呼吸病率の最も重要な予測因子であり,線形および正規化線形モデルが最も高い回帰性能を示した。 空気質分類では,PM2.5の含有時に高い平衡精度が得られたが,PM2.5の除去時には性能が著しく低下し,汚染物質関連情報への強い依存が示唆された。 SHAP分析の結果,PM2.5がなければ,一人当たりGDP,降水量,医療アクセスといった社会経済的・気象学的変数がより影響力を持つことが明らかとなった。 サブグループ分析では、所得グループ間で類似した累積回帰誤差を示したが、PM2.5は低所得国の予測に強く寄与した。 これらの結果から,モデル精度だけでは気候・健康予測には不十分であることが示唆された。 解釈可能なモデルは、主要な汚染関連信号を特定し、結果が主要な汚染変数に依存するかどうかを確認し、社会経済グループ間で予測パターンが異なるかどうかを示すのに役立つ。

関連論文リスト

• Trusting Right Predictions for Wrong Reasons: A LIME Based Analysis of Deep Learning Interpretability in Lung Cancer Diagnosis [0.0]
  肺がんはがん関連死亡の主な原因であり、毎年約250万件の新規感染者と18万件の死亡がある。 評価は主に予測精度に焦点を当てており、意思決定プロセスは十分に検証されていない。 本研究では, IQ-OTH/NCCD肺がんCTデータセットをトレーニングした, 畳み込みニューラルネットワーク(CNN), 事前訓練されたResNet50, ビジョントランスフォーマー(ViT)の3つのモデルを比較した。 ResNet50は98.61%の精度、CNN 97.91%の精度、ViT 93.75%の精度を達成した。
  論文  参考訳（メタデータ） (2026-06-14T22:08:31Z)
• 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)
• Air Pollution Forecasting in Bucharest [1.7035480256339337]
  大気汚染、特に粒子状物質2.5(PM2.5)は近年懸念が高まっている。 本稿では,PM2.5の将来のレベルを予測するための機械学習モデルを設計,微調整,テスト,評価することを目的とする。
  論文  参考訳（メタデータ） (2025-11-01T12:24:11Z)
• Synergistic Neural Forecasting of Air Pollution with Stochastic Sampling [50.3911487821783]
  大気汚染は世界的な健康と環境のリスクの先駆けであり、特に山火事、都市干ばつ、塵嵐による大気汚染の急激な増加に弱い地域ではなおもである。 本稿では,気象および大気組成データを統合し,平均および極端汚染レベルの予測を改善する高分解能神経予測モデルであるSynCastを提案する。
  論文  参考訳（メタデータ） (2025-10-28T01:18:00Z)
• A comparison between geostatistical and machine learning models for spatio-temporal prediction of PM2.5 data [0.0]
  PM2.5$の高濃度への曝露は、呼吸や心血管系病院の入院の増加、救急部門の訪問や死亡の増大と関係している。 伝統的な空気質監視システムは、空間的および時間的データに制限がある。 低コストセンサーの出現により、空気品質データの粒度が劇的に向上し、リアルタイムで高解像度なモニタリングが可能になった。 この研究は、PurpleAirセンサーからの広範なデータを利用して、カリフォルニア州全体で正確な時間ごとのPM$_2.5$マップの作成において、様々な統計モデルと機械学習モデルの有効性を評価し、比較する。
  論文  参考訳（メタデータ） (2025-09-15T15:32:57Z)
• Air Quality PM2.5 Index Prediction Model Based on CNN-LSTM [0.2796197251957245]
  ハイブリッドCNN-LSTMアーキテクチャに基づく空気品質PM2.5指数予測モデルを提案する。 このモデルは、局所空間特徴抽出のための畳み込みニューラルネットワーク(CNN)と、時系列データにおける時間的依存関係をモデル化するためのLong Short-Term Memory(LSTM)ネットワークを効果的に組み合わせている。 実験の結果,5.236の根平均二乗誤差(RMSE)が得られた。
  論文  参考訳（メタデータ） (2025-08-15T04:46:25Z)
• 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)
• Agent-Based Model: Simulating a Virus Expansion Based on the Acceptance of Containment Measures [65.62256987706128]
  比較疫学モデルは、疾患の状態に基づいて個人を分類する。 我々は、適応されたSEIRDモデルと市民のための意思決定モデルを組み合わせたABMアーキテクチャを提案する。 スペイン・ア・コルナにおけるSARS-CoV-2感染症の進行状況について検討した。
  論文  参考訳（メタデータ） (2023-07-28T08:01:05Z)
• Evaluation of Time Series Forecasting Models for Estimation of PM2.5 Levels in Air [0.0]
  この研究では、環境中のPM2.5濃度を推定するために、ARIMA、FBProphet、LSTM、1D CNNなどのディープラーニングモデルを採用する。 予測結果から,すべての手法が平均根平均二乗誤差で比較結果を与えることがわかった。
  論文  参考訳（メタデータ） (2021-04-07T16:24:39Z)
• 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)
• Predictive Modeling of ICU Healthcare-Associated Infections from Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling Approach [55.41644538483948]
  本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。 感染発生率の低減に向けた意思決定を支援することを目的とする。
  論文  参考訳（メタデータ） (2020-05-07T16:13:12Z)

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。