抄録/ポイント：
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
医療における実世界予測モデルは,識別,高と低リスク事象間の識別能力,およびリスク推定の精度に関して評価されるべきである。残念なことに,キャリブレーションはしばしば無視され,識別だけが分析される。キャリブレーションは,意思決定プロセスにおいて増加する役割を果すので,個別化医療にとって極めて重要である。ランダムフォレストは多くの健康管理応用に対する一般的なモデルであるので,著者らは新しい較正ランダム森林であるCali Forestを提案した。既存のキャリブレーション方法論とは異なり,Cali Forestは,キャリブレーションセットの明示的な構築を避けるため,袋外サンプルを利用する。著者らは,公的に利用可能なMIMIC-IIIデータベースから得られた2つのリスク予測タスクに関するCali Forestを評価した。これらのバイナリ予測タスクの評価により,CaliForestはランダムフォレストと同じ識別力を達成することができ,一方,6つの異なるメトリックで評価されたより良い較正モデルを得た。標準Pythonソフトウェアリポジトリに関して,CaliForestは公開され,コードはGithub上で公開されている。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】
