論文の概要: Machine Learning-Based Prediction of Dengue Infection Using Clinical and Hematological Data from Bangladesh: A Comparative Analysis of Benchmark and Extended Prediction Models

• arxiv url: http://arxiv.org/abs/2610.14813v1
• Date: Sat, 10 Oct 2026 11:13:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 11:38:04.868618
• Title: Machine Learning-Based Prediction of Dengue Infection Using Clinical and Hematological Data from Bangladesh: A Comparative Analysis of Benchmark and Extended Prediction Models
• Title（参考訳）: バングラデシュの臨床および血液学的データを用いたデング感染の機械学習による予測:ベンチマークと拡張予測モデルの比較分析
• Abstract要約: デングウイルスはデングウイルス(DENV)によって引き起こされるウイルス感染症であり、バングラデシュで主要な公衆衛生上の問題である。 本研究は、バングラデシュの病院の2つのデータを用いて、臨床および血液学的データからデングを予測するために、ロジスティック回帰、ランダムフォレスト、XGBoostを比較した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dengue is a viral infection caused by the dengue virus (DENV) and a major public health concern in Bangladesh, where symptom overlap with other febrile illnesses complicates early diagnosis. This study compares Logistic Regression, Random Forest and XGBoost to predict dengue from clinical and hematological data using two Bangladeshi hospital datasets (2024, n=1,511; 2025, n=1,283) with SMOTE. Extended models outperformed benchmarks within 2024 (Random Forest ROC-AUC 0.640 to 0.661), with RDW-CV the most consistently influential added predictor. 2025 benchmark performance was higher (ROC-AUC 0.904), unexplained by class imbalance and possibly reflecting data quality. External validation is needed.
• Abstract（参考訳）: デングはデングウイルス(DENV)によって引き起こされるウイルス感染症であり、バングラデシュの主要な公衆衛生上の問題であり、他の発熱性疾患と重なる症状は早期診断を複雑にする。 本研究は,バングラデシュの病院データ(2024,n=1,511;2025,n=1,283)とSMOTEを用いて,臨床および血液学的データからデングを予測するために,ロジスティック回帰,ランダムフォレスト,XGBoostを比較した。 拡張されたモデルは2024年内にベンチマーク(Random Forest ROC-AUC 0.640 to 0.661)を上回り、RDW-CVは最も影響力のある追加予測器となった。 2025のベンチマーク性能は高い(ROC-AUC 0.904)。 外部検証が必要である。

関連論文リスト

• Child Mortality Prediction in Bangladesh: A Decade-Long Validation Study [0.0]
  バングラデシュの2011-2022年の人口統計調査(DHS)データ(n = 33,962)は,本論文で使用される。 モデルを(2011-2014)データでトレーニングし、2017年データで検証し、2022年データでテストしました。 モデルの最初のテストから8年後、遺伝的アルゴリズムをベースとしたNeural Architecture Searchは、XGBoostよりも優れた単層ニューラルネットワークを発見した。
  論文  参考訳（メタデータ） (2026-02-03T19:18:50Z)
• 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)
• Predicting Metabolic Dysfunction-Associated Steatotic Liver Disease using Machine Learning Methods [0.8642326601683298]
  我々は、公正で厳密で再現可能なMASLD予測モデルを開発した。 MASLDは米国の成人の33%に影響を与え、最も一般的な慢性肝疾患である。
  論文  参考訳（メタデータ） (2025-10-25T13:36:18Z)
• Predicting BVD Re-emergence in Irish Cattle From Highly Imbalanced Herd-Level Data Using Machine Learning Algorithms [0.0]
  Bovine Viral Diarrhoea (BVD) はアイルランドにおける根絶プログラムの成功の焦点となっている。 国家がBVDの自由に向かって進むにつれ、標的監視のための予測モデルの開発がますます重要になっている。 我々は,高度に不均衡な群集データを用いて,BVD陽性群を予測するための機械学習アルゴリズムの性能を評価する。
  論文  参考訳（メタデータ） (2025-04-17T17:33:15Z)
• 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)
• Clinical Deterioration Prediction in Brazilian Hospitals Based on Artificial Neural Networks and Tree Decision Models [56.93322937189087]
  超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
  論文  参考訳（メタデータ） (2022-12-17T23:29:14Z)
• Coronavirus disease situation analysis and prediction using machine learning: a study on Bangladeshi population [1.7188280334580195]
  バングラデシュでは近年、死亡率と感染率の差が以前よりも大きくなっている。 本研究では、機械学習モデルを識別し、今後数日の感染と死亡率を予測する予測システムを作成する。
  論文  参考訳（メタデータ） (2022-07-12T09:48:41Z)
• 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)
• Predicting Clinical Diagnosis from Patients Electronic Health Records Using BERT-based Neural Networks [62.9447303059342]
  医療コミュニティにおけるこの問題の重要性を示す。 本稿では,変換器 (BERT) モデルによる2方向表現の分類順序の変更について述べる。 約400万人のユニークな患者訪問からなる、大規模なロシアのEHRデータセットを使用します。
  論文  参考訳（メタデータ） (2020-07-15T09:22:55Z)

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。