論文の概要: Beyond Binary Classification: Multiclass Machine Learning for Diabetes and Prediabetes Risk Prediction Using NHANES
- arxiv url: http://arxiv.org/abs/2611.16756v1
- Date: Thu, 12 Nov 2026 13:06:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.475273
- Title: Beyond Binary Classification: Multiclass Machine Learning for Diabetes and Prediabetes Risk Prediction Using NHANES
- Title(参考訳): バイナリ分類を超えて:NHANESを用いた糖尿病および糖尿病リスク予測のためのマルチクラス機械学習
- Abstract要約: 我々は,全国保健栄養検査調査データを用いて,成人を正常,前,糖尿病と分類するための教師あり学習フレームワークを開発した。
従来の機械学習モデルとトランスフォーマーモデルを比較し、正常とプレ糖尿病、正常とプレ糖尿病と糖尿病の2つの二項式について検討した。
モデルは、精度、感度、特異性、F1スコアを用いて、ホールドアウトテストセットで評価される。
- 参考スコア(独自算出の注目度): 1.2031796234206136
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Detecting diabetes risk early is important for preventing disease progression. Most existing machine learning approaches focus on binary classification, which limits their ability to capture intermediate risk states such as prediabetes. We develop a supervised learning framework to classify adults as normal, prediabetic, or diabetic using National Health and Nutrition Examination Survey data. The framework uses routinely collected demographic, clinical, and lifestyle variables from 15,356 adults, with glycated hemoglobin (HbA1c) used only to define labels and excluded from input features to prevent leakage. We compare conventional machine learning and transformer-based models and examine two binary formulations: normal versus prediabetes, and normal versus combined prediabetes and diabetes. Models are evaluated on a held-out test set using precision, sensitivity, specificity, and F1 score. In the multiclass setting, performance is broadly consistent across models, with accuracy up to 0.72 and macro-averaged F1 of 0.70. Prediabetes remains the most challenging class, with F1 scores of 0.54 to 0.56 for conventional models and 0.53 to 0.55 for transformers, reflecting its overlap with both neighboring states. When the task is reduced to normal versus prediabetes, F1 scores rise modestly to 0.62 to 0.64. A more substantial improvement is observed under a broader screening formulation combining prediabetes and diabetes, with F1 scores of 0.73 to 0.74 across all models. These findings suggest that feature overlap along the biological continuum between normal and diabetic states contributes more to the difficulty of prediabetes detection than model architecture. Multiclass prediction provides a more clinically informative representation of metabolic risk progression but highlights a trade-off between clinically meaningful stratification and predictive accuracy.
- Abstract(参考訳): 糖尿病の早期発見は、疾患の進行を防ぐために重要である。
既存の機械学習アプローチのほとんどはバイナリ分類に重点を置いており、糖尿病などの中間リスク状態をキャプチャする能力を制限している。
我々は,全国保健栄養検査調査データを用いて,成人を正常,糖尿病,糖尿病と分類するための指導的学習枠組みを開発した。
このフレームワークは15,356人の成人から定期的に収集された人口統計、臨床、ライフスタイルの変数を使用し、糖化ヘモグロビン(HbA1c)はラベルの定義にのみ使用され、漏洩を防ぐために入力特徴から除外される。
従来の機械学習モデルとトランスフォーマーモデルを比較し、正常とプレ糖尿病、正常とプレ糖尿病と糖尿病の2つの二項式について検討した。
モデルは、精度、感度、特異性、F1スコアを用いて、ホールドアウトテストセットで評価される。
マルチクラス設定では、パフォーマンスはモデル間で広く一致しており、精度は0.72まで、マクロ平均F1は0.70までである。
F1スコアは従来のモデルでは 0.54 から 0.56 であり、変圧器では 0.53 から 0.55 であり、隣接する両状態との重なり合いを反映している。
作業が正常とプレ糖尿病に減少すると、F1はわずかに0.62から0.64に上昇する。
F1スコアは全モデルで0.73から0.74と、糖尿病と糖尿病を併用したより広範なスクリーニング製剤でより顕著な改善が観察された。
これらの結果から, 正常状態と糖尿病状態の生物学的連続性に沿った特徴の重なりは, モデル構造よりも糖尿病前診断の難しさに寄与することが示唆された。
マルチクラス予測は、より臨床的に有意なメタボリックリスク進行の表現を提供するが、臨床的に意味のある成層と予測精度のトレードオフを強調している。
関連論文リスト
- A Unified Three-Stage Machine Learning Framework for Diabetes Detection, Subtype Discrimination, and Cognitive-Metabolic Hypothesis Testing [0.5599792629509229]
糖尿病は世界中で5億3700万人以上の成人に影響を与えており、依然として予防医療において大きな課題となっている。
本稿では,糖尿病検出,サブタイプ指向クラスタリング,メタボリック認知関連解析のための再現可能な3段階機械学習フレームワークを提案する。
論文 参考訳(メタデータ) (2026-05-13T12:53:39Z) - A Copula Based Supervised Filter for Feature Selection in Diabetes Risk Prediction Using Machine Learning [0.0]
我々は,Gumbel copula上尾依存性係数(lambda_U$)を用いて特徴量をランク付けする計算効率の高い教師付きフィルタを提案する。
2つの糖尿病データセット上の4つの分類器で、Mutual Information、mRMR、ReliefF、および$L_1$ Elastic Netを比較した。
上肢依存によるコプラに基づく特徴選択は、公衆衛生・臨床医療におけるリスクモデル構築のための強力で効率的かつ解釈可能なアプローチである。
論文 参考訳(メタデータ) (2025-05-28T16:34:58Z) - Predicting Length of Stay in Neurological ICU Patients Using Classical Machine Learning and Neural Network Models: A Benchmark Study on MIMIC-IV [49.1574468325115]
本研究は、MIMIC-IVデータセットに基づく神経疾患患者を対象とした、ICUにおけるLOS予測のための複数のMLアプローチについて検討する。
評価されたモデルには、古典的MLアルゴリズム(K-Nearest Neighbors、Random Forest、XGBoost、CatBoost)とニューラルネットワーク(LSTM、BERT、テンポラルフュージョントランス)が含まれる。
論文 参考訳(メタデータ) (2025-05-23T14:06:42Z) - Insulin Resistance Prediction From Wearables and Routine Blood Biomarkers [44.735350554750916]
われわれはインスリン抵抗性の研究のために、米国全土でこれまでで最大のデータセットをリモートで採用しました。
ディープニューラルネットワークモデルは、簡単に利用可能なデジタルバイオマーカーと血液バイオマーカーに基づいてインスリン抵抗を予測するために開発された。
モデルでは、肥満および妊娠中の被験者の93%の感度と95%の調整された特異性を示した。
論文 参考訳(メタデータ) (2025-04-30T16:10:20Z) - From Glucose Patterns to Health Outcomes: A Generalizable Foundation Model for Continuous Glucose Monitor Data Analysis [47.23780364438969]
本稿では,CGMデータの生成基盤モデルであるGluFormerについて紹介する。
GluFormerは、異なる民族や年齢、5つの国、8つのCGMデバイス、多様な病態状態にまたがる19の外部コホートに一般化する。
CGMデータと12年間のフォローアップを持つ580人の成人の縦断的研究において、GluFormerは血液HbA1C%よりも糖尿病を効果的に発症するリスクが高い個人を特定する。
論文 参考訳(メタデータ) (2024-08-20T13:19:06Z) - 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) - Analysis and Mortality Prediction using Multiclass Classification for
Older Adults with Type 2 Diabetes [2.61072980439312]
2型糖尿病(T2DM)の高齢者は早期死亡や低血糖を経験する傾向にある。
構造化データセットには、65歳以上の米軍退役軍人275,190人の死亡率予測器が68個ある。
論文 参考訳(メタデータ) (2024-02-16T16:47:48Z) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳(メタデータ) (2023-02-16T17:06:23Z) - Using Machine Learning Techniques to Identify Key Risk Factors for
Diabetes and Undiagnosed Diabetes [0.0]
本稿では,糖尿病の有無と未診断糖尿病の有無を予測するために構築された機械学習モデルについて概説する。
次に、最高のパフォーマンスモデルの最も関連性の高い変数を比較します。
血液浸透圧、家族歴、様々な化合物の有病率、高血圧は全ての糖尿病リスクの指標である。
論文 参考訳(メタデータ) (2021-05-19T20:02:35Z) - GLYFE: Review and Benchmark of Personalized Glucose Predictive Models in
Type-1 Diabetes [4.17510581764131]
GLYFEは機械学習に基づくグルコース予測モデルのベンチマークである。
ブドウ糖沈降の文献から得られた9つの異なるモデルの結果を報告する。
論文 参考訳(メタデータ) (2020-06-29T11:34:41Z)
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。