論文の概要: Population Health-Based Machine Learning Reveals Associations Between Psychosocial Factors and Chronic Kidney Disease
- arxiv url: http://arxiv.org/abs/2608.17174v1
- Date: Mon, 17 Aug 2026 22:22:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-19 21:40:53.15472
- Title: Population Health-Based Machine Learning Reveals Associations Between Psychosocial Factors and Chronic Kidney Disease
- Title（参考訳）: 精神社会的要因と慢性腎臓病との関連性
- Abstract要約: 慢性腎臓病(CKD)は静かに進行し、生活の質を著しく損なう。
本稿では、大規模遠隔医療データと高度な機械学習を組み合わせて、自己申告CKDのステータスを分類し、疾患の主要な要因を特定するための2部研究を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Chronic kidney disease (CKD) progresses silently and severely undermines quality of life, making early detection critical for improving patient outcomes. We present a two-part study that combines large-scale telehealth data with advanced machine learning to both classify self-reported CKD status and identify key drivers of disease. Using selected features from the Behavioral Risk Factor Surveillance System (BRFSS 2021: 438,693 samples; BRFSS 2019: 418,268 samples) and the National Health Interview Survey (NHIS 2021: 29,482 samples; NHIS 2020: 31,568 samples), we addressed missing data with nine state-of-the-art imputation methods and mitigated class imbalance via sampling strategies. Our customized stacked ensemble model achieved balanced accuracy of 72.56-76.12%, with corresponding AUROC scores of 79.59-82.29%. SHapley Additive exPlanations (SHAP) analysis, followed by clinical review, highlighted critical predictors, including regular medical check-ups, age, blood pressure, and indicators of mental health stress. These findings deliver a robust and interpretable framework for CKD risk stratification and provide actionable insights into its associated factors.
- Abstract（参考訳）: 慢性腎臓病(CKD)は、静かに進行し、生活の質を著しく損なうため、早期発見は患者の予後を改善するために重要である。
本稿では、大規模遠隔医療データと高度な機械学習を組み合わせることにより、自己申告CKDのステータスを分類し、疾患の主要な要因を同定する。
行動リスク要因監視システム(BRFSS 2021: 438,693サンプル; BRFSS 2019: 418,268サンプル; NHIS 2021: 29,482サンプル; NHIS 2020: 31,568サンプル; NHIS 2021: 31,568サンプル; BRFSS 2019: 418,268サンプル; BRFSS 2019: 418,268サンプル; NHIS 2021: 29,482サンプル; NHIS 2020: 31,568サンプル; NHIS 2021: NHIS 2020: 31,568サンプル)から選択された特徴を用いて,9つの最先端計算手法とサンプリング戦略によるクラス不均衡を緩和した。
AUROCスコアは79.59-82.29%である72.56-76.12%のバランス精度を実現した。
SHAP (SHapley Additive exPlanations) 分析と臨床レビューでは、定期的な医療診断、年齢、血圧、メンタルヘルスストレスの指標など、重要な予測因子が強調された。
これらの知見は、CKDリスク階層化のための堅牢で解釈可能なフレームワークを提供し、関連する要因に関する実用的な洞察を提供する。
関連論文リスト
- Interpretable Heart Disease Prediction via a Weighted Ensemble Model: A Large-Scale Study with SHAP and Surrogate Decision Trees [1.7616014313664448]
心血管疾患(CVD)は、早期リスク評価のための信頼性と解釈可能な予測モデルを必要とする、重要な世界的な健康上の問題である。
本研究では,木に基づく手法(LightGBM, XGBoost)と畳み込みニューラルネットワーク(CNN)を組み合わせてCVDリスクを予測する戦略的重み付けアンサンブルモデルを提案する。
提案モデルでは,多様な学習アーキテクチャをブレンドすることで,堅牢な予測性能と臨床透過性を組み合わせ,SHAPとサロゲート決定木による説明可能性を実現する。
論文 参考訳（メタデータ） (2025-11-03T10:24:09Z) - A Disease-Centric Vision-Language Foundation Model for Precision Oncology in Kidney Cancer [54.58205672910646]
RenalCLIPは、腎腫瘤の特徴、診断、予後のための視覚言語基盤モデルである。
腎がんの完全な臨床ワークフローにまたがる10のコアタスクにおいて、優れたパフォーマンスと優れた一般化性を実現した。
論文 参考訳（メタデータ） (2025-08-22T17:48:19Z) - A Comparative Study of Diabetes Prediction Based on Lifestyle Factors Using Machine Learning [2.767257448554864]
本研究では,BRFSS(Behavimental Risk Factor Surveillance System)の2015年調査から得られたデータを用いて,生活習慣要因に基づく糖尿病の予測に機械学習モデルを用いることを検討した。
決定木(Decision Tree)、K-Nearest Neighbors(KNN)、ロジスティック回帰(Logistic Regression)の3つの分類モデルを実装し,その予測性能を評価する。
その結果、決定木、KNN、ロジスティック回帰はそれぞれ0.74、0.72、0.75の精度を達成し、精度とリコールの強さは様々であった。
論文 参考訳（メタデータ） (2025-03-06T06:31:40Z) - Disparate Model Performance and Stability in Machine Learning Clinical Support for Diabetes and Heart Diseases [2.9247093478805324]
調査により、慢性疾患データセットとその派生した機械学習モデルにおいて、性別と年齢に関連する不等式が広く明らかになった。
25,000人以上の慢性疾患患者のデータを分析したところ、男女差は軽度であり、男性には予測精度が好ましく、若年者には有意な年齢差がみられた。
特に高齢患者では、7つのデータセットで矛盾した予測精度を示し、データの複雑さとモデルの性能が低下した。
論文 参考訳（メタデータ） (2024-12-27T07:31:14Z) - Predicting Long-term Renal Impairment in Post-COVID-19 Patients with
Machine Learning Algorithms [0.0]
新型コロナウイルスのパンデミックは世界の公衆衛生に深刻な影響を及ぼしている。
腎障害は、その長期的健康への影響により、特に注目を集めている。
本研究は,高度な機械学習アルゴリズムを用いて長期腎障害のリスクを予測する試みである。
論文 参考訳（メタデータ） (2023-09-28T14:44:06Z) - Penalized Deep Partially Linear Cox Models with Application to CT Scans
of Lung Cancer Patients [42.09584755334577]
肺がんは世界中のがん死亡の原因であり、効果的な治療法を設計するための死亡リスクを理解することの重要性を強調している。
NLST(National Lung Screening Trial)は、肺がん患者の死亡リスクを定量化するために、CTテクスチャ解析を用いている。
本稿では,SCADペナルティを組み込んで重要なテクスチャ特徴を抽出し,深層ニューラルネットワークを用いてモデルの非パラメトリック成分を推定する,Pentalized Deep partially Linear Cox Model (Penalized DPLC)を提案する。
論文 参考訳（メタデータ） (2023-03-09T15:38:16Z) - Intelligent Sight and Sound: A Chronic Cancer Pain Dataset [74.77784420691937]
本稿では,Intelligent Sight and Sound (ISS) 臨床試験の一環として収集された,最初の慢性ガン痛データセットを紹介する。
これまで収集されたデータは29の患者、509のスマートフォンビデオ、189,999のフレーム、そして自己報告された感情と活動の痛みのスコアから成っている。
静的画像とマルチモーダルデータを用いて、自己報告された痛みレベルを予測する。
論文 参考訳（メタデータ） (2022-04-07T22:14:37Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳（メタデータ） (2021-04-07T06:02:04Z) - 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) - Individualized Prediction of COVID-19 Adverse outcomes with MLHO [9.197411456718708]
我々は、反復的な特徴とアルゴリズムの選択を利用して健康状態を予測するエンドツーエンドの機械学習フレームワークを開発した。
入院前患者の健康状態と人口統計を表わす特徴として,約600点を用いた4つの有害な結果のモデル化を行った。
以上の結果から, 人口統計学的変数は, 新型コロナウイルス感染後の副作用の予測因子として重要であるが, 過去の臨床記録の組み入れは, 信頼性の高い予測モデルに欠かせないことが示唆された。
論文 参考訳（メタデータ） (2020-08-10T02:44:52Z) - 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) - 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。