論文の概要: Multidimensional Suicide Risk Assessment with Machine Learning using Electronic Health Records

• arxiv url: http://arxiv.org/abs/2611.03357v1
• Date: Mon, 02 Nov 2026 16:08:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 05:01:33.358173
• Title: Multidimensional Suicide Risk Assessment with Machine Learning using Electronic Health Records
• Title（参考訳）: 電子カルテを用いた機械学習による多次元自殺リスク評価
• Abstract要約: 本稿では,MIMIC-IV EHRデータを用いて自殺関連結果をモデル化し,推定するための多次元機械学習フレームワークを提案する。 臨床的に動機付けられた診断カテゴリを構築し,自殺未遂,自殺未遂,自殺前行動,意図的自己害に対応する文書化されたコードから複合的な結果を定義する。 以上の結果から, EHRに基づく幅広い特徴, 年齢適合コホート構成, キャリブレーション, 特徴レベルの解釈を組み合わせることで, 再帰的自殺関連リスクモデリングの実践的枠組みが得られた。
• 参考スコア（独自算出の注目度）: 10.409799957141276
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Suicide prevention remains a critical public health challenge, and electronic health records (EHRs) provide an opportunity to characterize suicide-related risk indicators using documented clinical, behavioral, medical, and social-contextual information. This paper presents a multidimensional machine learning framework to model and estimate suicide-related outcomes using MIMIC-IV EHR data. We construct clinically motivated diagnosis categories and define a composite outcome from documented codes corresponding to suicidal ideation, suicide attempt, prior suicidal behavior, and intentional self-harm. To address severe class imbalance and reduce age-related confounding, we apply age-matched resampling that retains all positive patients and samples comparison-cohort patients from the same age group. Logistic regression, random forest, and XGBoost classifiers are evaluated before and after resampling with isotonic calibration. The calibrated XGBoost model achieves the strongest matched-cohort performance, outperforming the other evaluated classifiers. SHAP-based interpretation shows that diagnostic burden, depression-related features, age, personality-disorder history, social determinants related to violence, and medical comorbidity contribute to elevated predicted probabilities. Our results demonstrate that combining broad EHR-derived features, age-matched cohort construction, calibration, and feature-level interpretation provides a practical framework for retrospective suicide-related risk modeling.
• Abstract（参考訳）: 自殺予防は依然として重要な公衆衛生上の課題であり、電子健康記録(EHR)は、文書化された臨床、行動、医療、社会コンテキスト情報を用いて自殺に関連するリスク指標を特徴づける機会を提供する。 本稿では,MIMIC-IV EHRデータを用いて自殺関連結果をモデル化し,推定するための多次元機械学習フレームワークを提案する。 臨床的に動機付けられた診断カテゴリを構築し,自殺未遂,自殺未遂,自殺前行動,意図的自己害に対応する文書化されたコードから複合的な結果を定義する。 重度の集団不均衡に対処し, 年齢差の低減を図るため, 同一年齢群における全ての陽性患者とサンプル比較コホート患者を保持する年齢適合型再サンプリングを適用した。 等速キャリブレーションによる再サンプリング前後のロジスティック回帰,ランダムフォレスト,XGBoost分類器の評価を行った。 校正されたXGBoostモデルは最強のマッチングコホート性能を達成し、他の評価された分類器よりも優れる。 SHAPに基づく解釈は、診断上の負担、うつ病に関連する特徴、年齢、人格差の歴史、暴力に関連する社会的決定要因、および医療的協調性が予測される確率の上昇に寄与していることを示している。 以上の結果から, EHRに基づく幅広い特徴, 年齢適合コホート構成, キャリブレーション, 特徴レベルの解釈を組み合わせることで, 再帰的自殺関連リスクモデリングの実践的枠組みが得られた。

関連論文リスト

• BEACON-SP: Ontology-Grounded GraphRAG Framework for Clinical Suicide Risk Assessment [11.030388731365134]
  本稿では,自殺予防などの行動健康設定において,臨床者が直面する意思決定支援のための,オントロジーを基盤としたグラフ検索・拡張生成(GraphRAG)フレームワークBEACON-SPを提案する。 Beacon-SPは、患者知識グラフとオントロジー誘導検索を組み合わせることで、診断、医薬品、リスクおよび保護要因、ライフイベント、時間的関係を横断するマルチホップ推論をサポートする。
  論文  参考訳（メタデータ） (2026-10-06T19:23:51Z)
• RSD-15K: A Large-Scale User-Level Annotated Dataset for Suicide Risk Detection on Social Media [0.0]
  ソーシャルメディアは、個人が感情を表現し助けを求めるための重要なプラットフォームである。 本稿では,15,000件のユーザレベルの投稿を含む大規模データセットを提案する。 既存のデータセットと比較すると、このデータセットは完全なユーザ投稿時間シーケンス情報を保持する。
  論文  参考訳（メタデータ） (2025-07-14T09:26:26Z)
• Adaptable Cardiovascular Disease Risk Prediction from Heterogeneous Data using Large Language Models [70.64969663547703]
  AdaCVDは、英国バイオバンクから50万人以上の参加者を対象に、大規模な言語モデルに基づいて構築された適応可能なCVDリスク予測フレームワークである。 包括的かつ可変的な患者情報を柔軟に取り込み、構造化データと非構造化テキストの両方をシームレスに統合し、最小限の追加データを使用して新規患者の集団に迅速に適応する。
  論文  参考訳（メタデータ） (2025-05-30T14:42:02Z)
• Non-Invasive Suicide Risk Prediction Through Speech Analysis [74.8396086718266]
  自動自殺リスク評価のための非侵襲的音声ベースアプローチを提案する。 我々は、wav2vec、解釈可能な音声・音響特徴、深層学習に基づくスペクトル表現の3つの特徴セットを抽出する。 我々の最も効果的な音声モデルは、6.6.2,%$のバランスの取れた精度を達成する。
  論文  参考訳（メタデータ） (2024-04-18T12:33:57Z)
• Automatic prediction of mortality in patients with mental illness using electronic health records [0.5957022371135096]
  本報告では,精神疾患患者の死亡率を予測するための永続的課題について述べる。 MIMIC-IIIデータセットから精神疾患の診断データを抽出した。 4つの機械学習アルゴリズムを使用し、ランダムフォレストとサポートベクターマシンのモデルが他のモデルよりも優れていたことを示す結果が得られた。
  論文  参考訳（メタデータ） (2023-10-18T17:21:01Z)
• 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)
• Tree-Guided Rare Feature Selection and Logic Aggregation with Electronic Health Records Data [7.422597776308963]
  希少な二項特徴を持つ大規模回帰のための木誘導的特徴選択と論理集約手法を提案する。 EHRデータを用いた自殺リスクスタディでは、我々のアプローチは、以前のメンタルヘルス診断を選択して集約することができる。
  論文  参考訳（メタデータ） (2022-06-18T03:52:43Z)
• 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)
• 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。