論文の概要: Geographically Weighted Surrogate Models for Rapid Small-Area Chronic Disease Estimation
- arxiv url: http://arxiv.org/abs/2607.28655v1
- Date: Tue, 07 Jul 2026 16:46:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-09 10:00:34.24536
- Title: Geographically Weighted Surrogate Models for Rapid Small-Area Chronic Disease Estimation
- Title（参考訳）: 迅速小面積慢性疾患推定のための地理的重み付きサロゲートモデル
- Abstract要約: 小面積推定(SAE)は、研究者や政策立案者が健康結果の空間的格差を識別することを可能にする。
CDC PLACESのようなゴールドスタンダードの見積もりは、基礎となる調査データが収集されてから約2年後に公表され、時間に敏感な意思決定のためにの使用を制限する。
本研究では,機械学習(ML)がサロゲートとして機能する可能性を評価し,頻繁に更新される地域レベルの予測器と既存のSAE出力との関係を学習する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Small-area estimation (SAE) enables researchers and policymakers to identify spatial disparities in health outcomes, but survey-based SAE products carry an inherent lag. Gold-standard estimates such as CDC PLACES are released roughly two years after the underlying survey data are collected, limiting their use for time-sensitive decision-making. This study evaluates the potential for machine learning (ML) to serve as a surrogate, learning the relationship between frequently updated area-level predictors and existing SAE outputs to generate timely, comparable estimates in years when SAE from surveys are unavailable or delayed. We evaluate several global and geographically weighted ML models for county-level SAE of ten chronic conditions across the US: COPD, asthma, heart disease, arthritis, cancer, depression, diabetes, high blood pressure, high cholesterol, and stroke. Our findings suggest that geographically weighted ML frameworks like geographically weighted random forest and geographically weighted regression offer scalable and open data surrogates for rapidly generating SAE and supporting data driven decision making.
- Abstract（参考訳）: 小規模地域推定(SAE)は、研究者や政策立案者が健康結果の空間的格差を識別することを可能にするが、サーベイベースのSAE製品には固有のラグがある。
CDC PLACESのようなゴールドスタンダードの見積もりは、基礎となる調査データが収集されてから約2年後に公表され、時間に敏感な意思決定のためにの使用を制限する。
本研究では機械学習(ML)がサロゲートとして機能する可能性を評価し、頻繁に更新される地域レベルの予測器と既存のSAE出力の関係を学習し、サーベイからのSAEが利用できない、または遅れた年で、タイムリーに同等の見積もりを生成する。
COPD,喘息,心臓病,関節炎,癌,うつ病,糖尿病,高血圧,高コレステロール,脳卒中など,米国中の慢性疾患10例を対象に,地域および地理的に重み付けされたMLモデルの評価を行った。
地理的に重み付けされたランダムフォレストや地理的に重み付けされた回帰といったMLフレームワークは、SAEを迅速に生成し、データ駆動意思決定をサポートするスケーラブルでオープンなデータサロゲートを提供する。
関連論文リスト
- PREBA: Surgical Duration Prediction via PCA-Weighted Retrieval-Augmented LLMs and Bayesian Averaging Aggregation [51.96735866702332]
PreBAはPCA重み付き検索とベイズ平均アグリゲーションを統合した検索拡張フレームワークである。
例えば、PreBAはパフォーマンスを大幅に改善し、MAEを最大40%削減し、ゼロショット推論でR2を-0.13から0.62に引き上げる。
論文 参考訳（メタデータ） (2026-02-27T07:19:23Z) - Methodology for Comparing Machine Learning Algorithms for Survival Analysis [55.65997641180011]
生存分析のための6つの機械学習モデルを評価した。
XGB-AFTは最高性能(C-Index = 0.7618; IPCW = 0.7532、GBSAとRCF)を達成した。
論文 参考訳（メタデータ） (2025-10-28T14:42:28Z) - Analyzing Geospatial and Socioeconomic Disparities in Breast Cancer Screening Among Populations in the United States: Machine Learning Approach [0.3958317527488535]
本研究はアメリカ合衆国全国の乳癌検診率を評価することを目的としている。
2018年と2020年の国勢調査におけるマンモグラフィー検診データを収集した。
72337回の国勢調査において,13変数からなる健康決定因子の大規模データセットを構築した。
論文 参考訳（メタデータ） (2025-01-30T21:07:34Z) - How Your Location Relates to Health: Variable Importance and Interpretable Machine Learning for Environmental and Sociodemographic Data [15.463748602675695]
健康の結果は、場所や時間によって影響が変化する複雑な環境や社会的な要因に依存する。
我々は、これらの効果、すなわち、イギリスの健康、環境、社会デマトグラフィー情報のMEDSATデータセットを研究するために、きめ細かい空間的・時間的データを使用します。
次に、GAM(Generalized Additive Models)とMGWR(Multiscale Geographically Weighted Regression)に基づく解釈可能な機械学習フレームワークを開発する。
以上の結果から,NO2は喘息,高血圧,不安の世界的な予測因子であり,職業,結婚,植生に関連する他の結果特異的な予測因子であることがわかった。
論文 参考訳（メタデータ） (2025-01-03T21:34:35Z) - A Comparative Study on Machine Learning Models to Classify Diseases Based on Patient Behaviour and Habits [0.0]
本研究は, PRFと糖尿病, ストローク, 心疾患 (HD), キドニー病 (KD) の相関について6つの教師付きML手法を用いて検討した。
PRFに基づいてHDを分類するためのMLアルゴリズムと、Diabetes、Stroke、Asthma、Skin Cancer、KDを属性として比較、評価することを目的としている。
論文 参考訳（メタデータ） (2024-12-21T20:46:40Z) - Prompting Large Language Models for Zero-Shot Clinical Prediction with
Structured Longitudinal Electronic Health Record Data [7.815738943706123]
大規模言語モデル(LLM)は、伝統的に自然言語処理に向いている。
本研究では, GPT-4 などの LLM の EHR データへの適応性について検討する。
EHRデータの長手性、スパース性、知識を注入した性質に対応するため、本研究は特定の特徴を考慮に入れている。
論文 参考訳（メタデータ） (2024-01-25T20:14:50Z) - A New Deep State-Space Analysis Framework for Patient Latent State
Estimation and Classification from EHR Time Series Data [1.0970480513577103]
深部状態空間モデルを用いたERHの時系列教師なし学習を用いた「深部状態空間解析フレームワーク」を提案する。
このフレームワークは、病気の進行に関連する患者潜伏状態における時間的変化の学習、可視化、およびクラスタリングを可能にする。
12,695人のがん患者の時系列検査データを用いて,本フレームワークの評価を行った。
論文 参考訳（メタデータ） (2023-07-21T10:45:08Z) - Approximate Bayesian Computation for an Explicit-Duration Hidden Markov
Model of COVID-19 Hospital Trajectories [55.786207368853084]
新型コロナウイルス(COVID-19)のパンデミックの中、病院の資源をモデル化する問題に取り組んでいます。
幅広い適用性のために、関心のある領域の患者レベルデータが利用できない、一般的なが困難なシナリオに注目します。
本稿では,ACED-HMM(ACED-HMM)と呼ばれる集合数正規化隠れマルコフモデルを提案する。
論文 参考訳（メタデータ） (2021-04-28T15:32:42Z) - 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) - 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) - Short Term Blood Glucose Prediction based on Continuous Glucose
Monitoring Data [53.01543207478818]
本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。
短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
論文 参考訳（メタデータ） (2020-02-06T16:39:44Z)
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。