論文の概要: Patient-Reported Survey Data Improve Prediction of Opioid Use Disorder

• arxiv url: http://arxiv.org/abs/2609.12224v1
• Date: Thu, 10 Sep 2026 21:31:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-15 07:38:31.548956
• Title: Patient-Reported Survey Data Improve Prediction of Opioid Use Disorder
• Title（参考訳）: 患者報告によるオピオイド使用障害の予測の改善
• Abstract要約: 電子カルテはオピオイド使用障害(OUD)に関連する患者報告因子を不完全に捉えうる また,オピオイド曝露を報告した全米国人を対象に,調査データによる最初のOUD診断の予測が改善するか否かを検討した。
• 参考スコア（独自算出の注目度）: 12.209261596404774
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electronic health records (EHRs) may incompletely capture patient-reported factors associated with opioid use disorder (OUD). We evaluated whether survey data improve prediction of a first recorded OUD diagnosis among 267,747 All of Us participants with documented opioid exposure, including 15,287 OUD cases. We compared EHR-only and EHR+survey models across 6-, 12-, and 24-month look-back windows using logistic regression, random forest, XGBoost, LightGBM, multilayer perceptron, LSTM, GRU, and Transformer. Survey augmentation improved PR-AUC across all 24 model-window combinations by 0.0087-0.0505; the best 24-month LightGBM model improved from 0.6219 to 0.6603. Survey coverage increased with longer windows and differed by OUD status (24 months: 21.7% OUD-positive vs. 60.7% OUD-negative). Permutation analysis ranked survey features as the second most important information domain at 24 months in both evaluated models. Patient-reported data provide complementary predictive signals beyond structured EHRs while highlighting the importance of survey availability.
• Abstract（参考訳）: 電子健康記録(EHR)は、オピオイド使用障害(OUD)に関連する患者の報告された要因を不完全に捉えうる。 15,287例を含む267,747名のオピオイド被曝者を対象に,調査データによる最初のOUD診断予測の改善を検討した。 対数回帰,ランダムフォレスト,XGBoost,LightGBM,多層パーセプトロン,LSTM,GRU,Transformer を用いて6ヶ月,12か月,24ヶ月のルックバックウインドウを対象とした EHR-only と EHR+survey モデルを比較した。 調査の強化により、24つのモデル/ウィンドウの組み合わせのPR-AUCは0.0087-0.0505に改善され、24ヶ月のLightGBMモデルは0.6219から0.6603に改善された。 調査は、より長いウィンドウで増加し、OUDステータスによって異なる(24ヶ月: 21.7% OUD陽性対 60.7% OUD陰性)。 パーマテーション分析では、両モデルで24ヶ月で2番目に重要な情報領域として、調査の特徴をランク付けした。 患者の報告したデータは、構造化されたEHRを超えて補完的な予測信号を提供すると同時に、サーベイ可用性の重要性を強調している。

関連論文リスト

• Foundation Models to Unlock Real-World Evidence from Nationwide Medical Claims [31.673662680042337]
  管理的クレームは、医療利用、支出、診断、処置、医薬品の詳細なコーディングの経時的記録を提供する。 2008年から2022年にかけてのMarketScanの医療イベント438億件について、ゼロからトレーニングした生成トランスフォーマーReClaimを紹介します。
  論文  参考訳（メタデータ） (2026-05-04T15:38:31Z)
• Predicting Neuromodulation Outcome for Parkinson's Disease with Generative Virtual Brain Model [95.41752463487008]
  パーキンソン病は世界中で1千万人以上に影響している。 個人間変異は経験的治療の選択を制限し、非無視的な外科的リスクとコストを増大させる。 我々は、このギャップをトレーニング済みのファインタニングフレームワークで埋めて、静止状態fMRIから直接結果を予測する。
  論文  参考訳（メタデータ） (2026-03-31T02:36:10Z)
• 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)
• Rethinking Retrieval-Augmented Generation for Medicine: A Large-Scale, Systematic Expert Evaluation and Practical Insights [42.23030568766672]
  大きな言語モデル(LLM)は医学の風景を変えつつある。 Retrieval-augmented Generation (RAG) はこれらの制限に対処するために広く採用されている。 今回,医学におけるRAGの総合的評価について紹介する。
  論文  参考訳（メタデータ） (2025-11-10T06:00:12Z)
• Urinary Tract Infection Detection in Digital Remote Monitoring: Strategies for Managing Participant-Specific Prediction Complexity [43.108040967674185]
  尿路感染症(UTIs)は特に認知症(PLWD)の患者にとって重要な健康上の問題である この研究は、PLWDのUTIを検出する機械学習(ML)を利用した以前の研究に基づいている。
  論文  参考訳（メタデータ） (2025-02-18T12:01:55Z)
• Early Diagnosis of Alzheimer's Diseases and Dementia from MRI Images Using an Ensemble Deep Learning [0.7510165488300369]
  アルツハイマー病(英語: Alzheimer's Disease, AD)は、認知障害や認知失調を引き起こす進行性神経疾患である。 本研究では,ADの初期段階を正確に検出するために,IR-BRAINNETとModified-DEMNETの2つのCNNを提案する。 また、CNN間のばらつきを低減し、AD検出を向上させるために出力を平均化するアンサンブルモデルも導入した。
  論文  参考訳（メタデータ） (2024-12-07T14:27:41Z)
• Effective Predictive Modeling for Emergency Department Visits and Evaluating Exogenous Variables Impact: Using Explainable Meta-learning Gradient Boosting [0.18846515534317265]
  本稿では,毎日のED訪問を正確に予測するためのメタラーニンググラディエント・ブースター(Meta-ED)手法を提案する。 提案したMeta-EDは,4つの基礎学習者からなる。Catboost,Random Forest,Extra Tree,LightGBoostは信頼性の高いトップレベルの学習者,Multi-Layer Perceptron(MLP)である。 そこで本研究では,メタEDモデルの有効性を,23モデルを含む広範囲な比較分析により評価した。
  論文  参考訳（メタデータ） (2024-11-18T04:23:20Z)
• HIST-AID: Leveraging Historical Patient Reports for Enhanced Multi-Modal Automatic Diagnosis [38.13689106933105]
  HIST-AIDは,過去の報告から自動診断精度を高めるフレームワークである。 AUROCは6.56%増加し、AUPRCは9.51%向上した。
  論文  参考訳（メタデータ） (2024-11-16T03:20:53Z)
• A Federated Learning Framework for Stenosis Detection [70.27581181445329]
  本研究は,冠動脈造影画像(CA)の狭窄検出におけるFL(Federated Learning)の使用について検討した。 アンコナのOspedale Riuniti(イタリア)で取得した200人の患者1219枚の画像を含む2施設の異種データセットについて検討した。 データセット2には、文献で利用可能な90人の患者からの7492のシーケンシャルな画像が含まれている。
  論文  参考訳（メタデータ） (2023-10-30T11:13:40Z)
• Machine Learning-Based Detection of Parkinson's Disease From Resting-State EEG: A Multi-Center Study [0.125828876338076]
  安静時脳波(rs-EEG)はパーキンソン病(PD)の診断に有効である。 本研究では,異なるセンターで得られた4つのデータセットから,84 PDのRS-EEG記録と85 PDの非PD被験者をプールした。 本稿では,プリプロセッシング,臨床的に検証された周波数帯域からのPSD特徴抽出,特徴選択によるエンドツーエンドパイプラインを提案する。
  論文  参考訳（メタデータ） (2023-03-02T16:19:24Z)
• On the explainability of hospitalization prediction on a large COVID-19 patient dataset [45.82374977939355]
  我々は、新型コロナウイルス陽性の米国の患者の大規模な(110ドル以上)コホートでの入院を予測するために、さまざまなAIモデルを開発した。 高いデータアンバランスにもかかわらず、モデルは平均精度0.96-0.98 (0.75-0.85)、リコール0.96-0.98 (0.74-0.85)、F_score097-0.98 (0.79-0.83)に達する。
  論文  参考訳（メタデータ） (2021-10-28T10:23:38Z)
• 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)
• Development and Validation of a Deep Learning Model for Prediction of Severe Outcomes in Suspected COVID-19 Infection [9.524156465126758]
  救急外来(ed)に初診した患者の予測結果を伴うトリエイジングは、患者の予後を改善する上で重要である。 我々は、患者の結果を予測するために深い機能融合モデルを訓練した。 モデルアウトプットは、最も非感受性な酸素療法が要求される患者の結果であった。 新型コロナウイルス重篤な結果(CO-RISKスコア)の予測リスクスコアは、モデルアウトプットから導出され、テストデータセットで評価された。
  論文  参考訳（メタデータ） (2021-03-21T00:03:27Z)
• 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)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)

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。