論文の概要: A Comparative Study of Feature Selection Methods for EHR Diagnosis Codes in Opioid Use Disorder Prediction

• arxiv url: http://arxiv.org/abs/2608.04180v1
• Date: Tue, 04 Aug 2026 19:37:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 14:48:43.604293
• Title: A Comparative Study of Feature Selection Methods for EHR Diagnosis Codes in Opioid Use Disorder Prediction
• Title（参考訳）: オピオイド使用障害予測におけるEHR診断符号の特徴選択法の比較検討
• Abstract要約: 診断関連機能に着目し,オピオイド使用障害(OUD)予測のための5つの特徴選択パラダイムを比較した。 統合された事前処理および評価フレームワークを用いて、下流予測性能、再サンプリング安定性、頻繁な診断符号の表現による各手法の評価を行う。 以上の結果から,機能予算が大きくなるほど性能が向上し,リターンが低下することが明らかとなった。
• 参考スコア（独自算出の注目度）: 14.398540855932708
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Feature selection is a critical step in electronic health record (EHR)-based predictive modeling, where input variables are often high-dimensional, sparse, noisy, and redundant. Large feature sets not only increase computational burden and overfitting risk, but also make model interpretation difficult, leading to limited usefulness in clinical settings. In this study, we focus on diagnosis-related features and compare five feature selection paradigms for opioid use disorder (OUD) prediction: recurrence enrichment, NTK-motivated early gradient sensitivity, LightGBM-SHAP, Elastic Net, and large language model (LLM)-guided semantic selection. We use a unified preprocessing and evaluation framework and assess each method by downstream predictive performance, resampling stability, and representation of infrequent diagnosis codes. Our results demonstrate that performance improves with larger feature budgets with diminishing returns beyond a moderate size. NTK sensitivity provides the best overall balance of accuracy and stability, and LLM-guided selection contributes complementary clinically meaningful signals despite lower standalone performance.
• Abstract（参考訳）: 特徴選択は電子健康記録(EHR)に基づく予測モデリングにおいて重要なステップであり、入力変数は高次元、スパース、ノイズ、冗長であることが多い。 大きな特徴セットは、計算負担と過度に適合するリスクを増大させるだけでなく、モデルの解釈を困難にし、臨床現場で有用性が制限される。 本研究では, 診断関連の特徴に着目し, オピオイド使用障害(OUD)予測のための5つの特徴選択パラダイムを比較し, 再発拡大, NTKを動機とする早期勾配感度, LightGBM-SHAP, Elastic Net, および大言語モデル(LLM)誘導意味選択について検討した。 統合された事前処理および評価フレームワークを用いて、下流予測性能、再サンプリング安定性、頻繁な診断符号の表現による各手法の評価を行う。 以上の結果から,機能予算が大きくなるほど性能が向上し,リターンが低下することが明らかとなった。 NTK感受性は、精度と安定性のバランスを最大限に保ち、LCM誘導選択は、スタンドアローンのパフォーマンスが低いにもかかわらず、相補的な臨床的に有意なシグナルに寄与する。

関連論文リスト

• SMILE: Self-Explainable Multimodal Information Bottleneck for Medical Diagnosis [71.98702207668346]
  説明可能性(Explainability)は、AIベースの診断、特に安全クリティカルな臨床的意思決定において、ますます重要な要件とみなされている。 本稿では,情報ボトルネック(IB)フレームワーク内で定式化することで,自己説明可能なマルチモーダル診断の問題に対処する。 本稿では,予測性能とモダリティ固有の説明可能性とを協調的に最適化する統合学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2026-09-04T14:13:24Z)
• Explainable AI for Mental Health Prediction in Drug-Affected Populations with Dragonfly Algorithm and GAN Oversampling [0.526647163965749]
  本研究では, 薬物依存者の多次元データセットを用いて, メンタルヘルス予測の詳細な機械学習モデルを提案する。 行動、ライフスタイル、健康要因、特に睡眠の質、身体的健康、感情的な規制は、精神的な健康を強く予測する。 この枠組みは有効なメンタルヘルス予測ツールを生成する可能性があり、早期介入を促進し、薬物依存者の治療を強化する。
  論文  参考訳（メタデータ） (2026-06-22T02:42:58Z)
• Timely Clinical Diagnosis through Active Test Selection [49.091903570068155]
  本稿では,現実の診断推論をよりうまくエミュレートするためのACTMED (Adaptive Clinical Test selection via Model-based Experimental Design)を提案する。 LLMは柔軟なシミュレータとして機能し、構造化されたタスク固有のトレーニングデータを必要とせずに、患者状態のもっともらしい分布を生成し、信念の更新をサポートする。 我々は、実世界のデータセット上でACTMEDを評価し、診断精度、解釈可能性、リソース使用量を改善するためにテスト選択を最適化できることを示す。
  論文  参考訳（メタデータ） (2025-10-21T18:10:45Z)
• DeepSelective: Interpretable Prognosis Prediction via Feature Selection and Compression in EHR Data [26.378114734793492]
  EHRデータを用いた患者予後予測のための新しいエンドツーエンドディープラーニングフレームワークであるDeepSelectiveを提案する。 DeepSelectiveは、データ圧縮技術と革新的な機能選択アプローチを組み合わせて、カスタム設計モジュールを統合する。 実験の結果,DeepSelectiveは予測精度を向上するだけでなく,解釈可能性も向上し,臨床診断に有用なツールであることがわかった。
  論文  参考訳（メタデータ） (2025-04-15T15:04:39Z)
• Improving Machine Learning Based Sepsis Diagnosis Using Heart Rate Variability [0.0]
  本研究の目的は、心拍変動(HRV)機能を用いて、敗血症検出のための効果的な予測モデルを開発することである。 ニューラルネットワークモデルは、HRVの特徴に基づいてトレーニングされ、F1スコアは0.805、精度は0.851、リコールは0.763である。
  論文  参考訳（メタデータ） (2024-08-01T01:47:29Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• Unified Uncertainty Estimation for Cognitive Diagnosis Models [70.46998436898205]
  本稿では,幅広い認知診断モデルに対する統一的不確実性推定手法を提案する。 診断パラメータの不確かさをデータ・アスペクトとモデル・アスペクトに分解する。 本手法は有効であり,認知診断の不確実性に関する有用な知見を提供することができる。
  論文  参考訳（メタデータ） (2024-03-09T13:48:20Z)
• Evaluating Echo State Network for Parkinson's Disease Prediction using Voice Features [1.2289361708127877]
  本研究の目的は,偽陰性の最小化と高精度化を両立できる診断モデルを開発することである。 Echo State Networks (ESN)、Random Forest、k-nearest Neighbors、Support Vector、Extreme Gradient Boosting、Decision Treeなど、さまざまな機械学習手法が採用され、徹底的に評価されている。 ESNは83%の症例で8%未満の偽陰性率を維持している。
  論文  参考訳（メタデータ） (2024-01-28T14:39:43Z)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
  医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。 本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• Identification of Autism spectrum disorder based on a novel feature selection method and Variational Autoencoder [7.0876609220947655]
  安静時機能的磁気共鳴画像(rs-fMRI)のような非侵襲的脳イメージングは、自閉症スペクトラム障害(ASD)の早期診断に有望な解決策である 本稿では rs-fMRI に基づく ASD 診断を支援するための分類フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-04-07T08:50:48Z)
• 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)

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。