文献

J-GLOBAL ID：202002224020391295   整理番号：20A2575506

XGBoost回帰による医療データにおける欠損値の予測【JST・京大機械翻訳】

Predicting Missing Values in Medical Data Via XGBoost Regression

著者 (5件)： Zhang Xinmeng (Vanderbilt University, Nashville, TN, USA) ,  Yan Chao (Vanderbilt University, Nashville, TN, USA) ,  Gao Cheng (Vanderbilt University Medical Center, Nashville, TN, USA) ,  Malin Bradley A. (Vanderbilt University Medical Center, Nashville, TN, USA) ,  Chen You (Vanderbilt University Medical Center, Nashville, TN, USA)
資料名： Journal of Healthcare Informatics Research  (Journal of Healthcare Informatics Research)
巻： 4  号： 4  ページ： 383-394  発行年： 2020年 
JST資料番号： W4595A  ISSN： 2509-4971  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 患者の臨床検査結果におけるデータは,臨床研究を支持し,医学研究を強化するための注目すべき資源である。しかし,様々な理由で,この種のデータは,しばしば,欠測値が少ない。例えば,医師は,順序テストを無視し,結果を文書化する。このような現象は,このデータが効率的で効果的な予測モデルを学習するために利用できる程度を低減する。この問題に取り組むために,様々なアプローチが,欠測の実験室値を推進するために開発された。しかし,その性能は限られている。これは,部分的には,個人または(2)実験室試験変数間の文脈情報(1)を効果的に利用しない事実である。ここでは,教師なし事前充填戦略と教師つき機械学習アプローチとを,極端勾配ブースティング(XGBoost)の形で組合せる手法を導入し,両タイプの文脈を補完目的に活用する。MIMIC-IIIデータセットにおける約8200人の患者の記録に関する一連の実験を通して方法論を評価した。結果は,新モデルが13の通常収集した実験室試験変数に関して,ベースラインと最先端のモデルより優れていることを実証した。正規化二乗平均平方根導出(nRMSD)に関して,本モデルは平均で20%以上の補完改善を示した。時間的変数に関する誤解データ補完は,事前充填戦略と教師つき訓練技術を通して大きく改善でき,同時に,縦と断面の両方の文脈を活用できる。Copyright Springer Nature Switzerland AG 2020 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 教師つき学習 ,  実効値 ,  基準線 ,  *正規化 ,  臨床検査 ,  予測モデル
準シソーラス用語： ブースティング ,  欠測値 ,  臨床研究 , 【Automatic Indexing@JST】

著者キーワード (4件)： 欠損値 ,  補完 ,  XGBoost ,  実験室試験

分類 (2件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (3件)： 医療 ,  欠損 ,  予測