文献

J-GLOBAL ID：201702284041737270   整理番号：17A0376396

高尿酸血症医療機械学習アプローチのための仮想スクリーニングにおける支援機械学習法ことができるか【Powered by NICT】

How can machine-learning methods assist in virtual screening for hyperuricemia? A healthcare machine-learning approach

著者 (4件)： Ichikawa Daisuke (Dep. of Clinical Information Engineering, Division of Social Medicine, Graduate School of Medicine, Univ. of Tokyo, Japan) ,  Saito Toki (Dep. of Clinical Information Engineering, Division of Social Medicine, Graduate School of Medicine, Univ. of Tokyo, Japan) ,  Ujita Waka (Dep. of Clinical Information Engineering, Division of Social Medicine, Graduate School of Medicine, Univ. of Tokyo, Japan) ,  Oyama Hiroshi (Dep. of Clinical Information Engineering, Division of Social Medicine, Graduate School of Medicine, Univ. of Tokyo, Japan)
資料名： Journal of Biomedical Informatics  (Journal of Biomedical Informatics)
巻： 64  ページ： 20-24  発行年： 2016年 
JST資料番号： B0827A  ISSN： 1532-0464  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 著者らの目的は,高尿酸血症のリスクの高い患者の同定に向けた新しい機械学習法(仮想健康診査)を開発することであった。一般健康診断システムを適用して追加試験を投与と比較して医療費を減らすことが期待される。データは2011と2013(包括的)の間の日本で行われた年1回の健康診断を通して収集した。予測モデルを構築するために健康診断データからの訓練と試験データセットを合成した。これらは43,524と17,789名の構成されていた。勾配ブースティング決定木(GBDT),ランダムフォレスト(RF),ロジスティック回帰(LR)アプローチは,訓練データセットを用いて訓練し,試験データセットにおける高尿酸血症を予測するために使用した。アンダーサンプリングは不均衡クラスデータセットを扱うための予測モデルを構築するために適用した。結果は,RFとGBDTアプローチは感度及び特異性の点で最良の性能が得られたことを示した。分類の識別能力を反映する,モデルの曲線下面積(AUC)値は,LRアプローチのためのRFのGBDT,0.784[95%CI:0.752 0.815],0.785[95%CI:0.752 0.819]0.796[95%信頼区間(CI):0.766 0.825]であった。有意差は各手法の対の間では認められなかった。小さな変化はモデルを構築するためにアンダーサンプリングを適用した後に,AUCで発生した。機械学習法を用いた高尿酸血症の発症を予想する仮想健康診断を開発した。GBDT,RF,およびLRの方法は同じような予測能力を有した。アンダーサンプリングは予測力を著しく改善しなかった。Copyright 2017 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： 健康診断 ,  *機械学習 ,  ディシジョンツリー ,  予測モデル ,  血中濃度-時間曲線下面積 ,  医療費 ,  患者 ,  信頼区間 ,  *高尿酸血症
準シソーラス用語： 特異性 ,  アンダーサンプリング ,  ロジスティック回帰分析 ,  ランダムフォレスト ,  ブースティング ,  試験データ , 【Automatic Indexing@JST】

著者キーワード (3件)： 高尿酸血症 ,  機械学習 ,  予測

分類 (4件)： 医用情報処理  (JE15030Q) ,  循環系の診断  (GJ02000V) ,  臨床診断学  (GC03003G) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： 高尿酸血症 ,  医療 ,  機械学習 ,  仮想スクリーニング ,  支援