論文の概要: ITU-DESC: a missingness-aware machine-learning dementia risk score in the UK Biobank cohort

• arxiv url: http://arxiv.org/abs/2610.26604v1
• Date: Mon, 19 Oct 2026 15:45:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 02:26:00.300983
• Title: ITU-DESC: a missingness-aware machine-learning dementia risk score in the UK Biobank cohort
• Title（参考訳）: ITU-DESC:英国バイオバンクコホートにおける欠如を意識した機械学習認知症リスクスコア
• Abstract要約: ITU-DESCは、インシデントに起因した認知症に対する説明可能な機械学習スコアである。 約8000の候補機能にまたがる幅広い機能選択と、不足バイアスの明確な制御を組み合わせる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Background: Existing dementia risk scores rely on fixed, pre-selected features and linear models, or ignore bias from informative missingness in cohort data. Here we introduce the Istanbul Technical University Dementia Risk Score (ITU-DESC), an explainable machine-learning score for incident all-cause dementia that combines broad feature selection across roughly 8,000 candidate features with explicit control of missingness bias. Results: We studied approximately 500,000 UK Biobank participants with a median follow-up of 16.6 years. We withheld missingness patterns from the model using unconditional random hot-deck imputation. We stabilized feature selection by repeating BorutaSHAP-based feature selection with ten random-imputation seeds and selecting predictors chosen in at least eight of the ten seeds, which yielded 38 predictors. We trained a CatBoost gradient-boosted decision-tree model and evaluated it on a holdout test set of 50,041 participants. For all-cause incident dementia, ITU-DESC achieved an average precision of 0.138 (95% confidence interval 0.123-0.156) and an area under the receiver operating characteristic curve (ROC AUC) of 0.853 (0.844-0.863), significantly outperforming other risk scores, including the strongest comparator, the UK Biobank Dementia Risk Prediction model (0.118 and 0.841). We identified dementia risk predictors absent from established scores, including leukocyte telomere length and liver enzymes. Conclusions: ITU-DESC is the first dementia risk score to combine broad feature selection with explicit control of missingness bias.
• Abstract（参考訳）: 背景:既存の認知症リスクスコアは、固定的で選択済みの特徴と線形モデルに依存している。 Istanbul Technical University Dementia Risk Score (ITU-DESC) は、約8,000の候補機能にまたがる幅広い特徴選択と、欠陥バイアスの明確な制御を組み合わせた、インシデント完全認知症のための機械学習スコアである。 結果: 英国バイオバンクの参加者約50万人を対象に16.6年間の平均的な追跡調査を行った。 非条件のランダムホットデッキ計算を用いたモデルから欠陥パターンを回避した。 ボラタシャップを用いた特徴選択を10種のランダムインプット種子で繰り返し行い,少なくとも8種から選択した予測因子を38種類の予測因子で選択することにより,特徴選択を安定化した。 そこで我々は,CatBoost勾配型決定木モデルを訓練し,50,041人の被験者によるホールドアウトテストセットで評価した。 ITU-DESCは、すべての原因により、平均信頼区間0.138(95%信頼区間0.123-0.156)、受信機動作特性曲線0.853(0.844-0.863)以下の領域を達成し、最強コンパレータ、英国バイオバンク認知症リスク予測モデル(0.118、0.141)を含む他のリスクスコアを著しく上回った。 認知症リスク予測因子は,白血球テロメアの長さや肝酵素など,確立したスコアから欠落していた。 結論: ITU-DESCは, 広範な特徴選択と失明バイアスの明確な制御を組み合わせた最初の認知症リスクスコアである。

関連論文リスト

• Conformal Risk Prediction for Non-Alcoholic Fatty Liver Disease Using Gradient Boosting with Distribution-Free Coverages [2.538209532048867]
  非アルコール性脂肪肝疾患(NAFLD)は、世界の成人の約25%に影響を及ぼす。 NAFLDリスク予測のための機械学習フレームワークである Method を提案する。
  論文  参考訳（メタデータ） (2026-05-31T14:23:21Z)
• 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)
• 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)
• Comparison of static and dynamic random forests models for EHR data in the presence of competing risks: predicting central line-associated bloodstream infection [2.202802833281752]
  病院の入院に関する予後の結果は、一般的に検閲に苦しめられず、分類的にも時間的にもモデル化できる。 本研究は無作為林(RF)モデルを用いて中央線関連血液ストリーム感染症(CLABSI)の発症リスクを予測した。
  論文  参考訳（メタデータ） (2024-04-24T18:31:48Z)
• Uncertainty-inspired Open Set Learning for Retinal Anomaly Identification [71.06194656633447]
  9つの網膜条件の基底像をトレーニングし,不確実性に着想を得たオープンセット(UIOS)モデルを構築した。 しきい値戦略を持つUIOSモデルはF1スコア99.55%、97.01%、91.91%を達成した。 UIOSは、高い不確実性スコアを正しく予測し、非ターゲットの網膜疾患、低品質の眼底画像、および非基本画像のデータセットを手動でチェックする必要があることを示唆した。
  論文  参考訳（メタデータ） (2023-04-08T10:47:41Z)
• Auto-Gait: Automatic Ataxia Risk Assessment with Computer Vision on Gait Task Videos [3.2268662749172097]
  脊髄小脳失調症(SCAs)と診断された89名,24名,65名から155本のビデオを収集した。 本研究では,参加者を周囲から分離する手法を開発し,歩幅,歩幅,揺動,安定性,速度などの歩行特性を捉えた。 リスク予測モデルは精度が83.06%、F1スコアが80.23%であり、同様に重大度評価モデルは平均絶対誤差(MAE)スコアが0.6225、ピアソン相関係数スコアが0.7268である。
  論文  参考訳（メタデータ） (2022-03-15T19:28:10Z)

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。