文献

J-GLOBAL ID：202102280682624924   整理番号：21A2569101

重み付き証拠回帰を用いた健康管理コスト予測のための特徴選択【JST・京大機械翻訳】

Feature Selection for Health Care Costs Prediction Using Weighted Evidential Regression

著者 (6件)： Panay Belisario (Department of Computer Science, Universidad de Chile, Santiago 8320000, Chile) ,  Baloian Nelson (Department of Computer Science, Universidad de Chile, Santiago 8320000, Chile) ,  Pino Jose A. (Department of Computer Science, Universidad de Chile, Santiago 8320000, Chile) ,  Penafiel Sergio (Department of Computer Science, Universidad de Chile, Santiago 8320000, Chile) ,  Sanson Horacio (Allm Inc., Tokyo 150-0002, Japan) ,  Bersano Nicolas (Allm Inc., Tokyo 150-0002, Japan)
資料名： Sensors (Web)  (Sensors (Web))
巻： 20  号： 16  ページ： 4392  発行年： 2020年 
JST資料番号： U7015A  ISSN： 1424-8220  CODEN： SENSC9  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 多くの著者は,ヘルスケア予算管理を改善するために人々の健康コストを予測する重要性を強調したが,その多くは,この予測の背後にある理由,すなわち,この予測に影響する要因を知ることを知っている頻繁な必要性に取り組まれていない。この知識は,アービタリネスまたは人々識別を避けることができる。しかし,ブラックボックス法(すなわち,この分析を可能にするもの,例えば,深い学習技術に基づく方法)は,結果の解釈を可能にするものより正確である。この理由で,本研究では,健康コストを予測する問題に対してブラックボックス法で得られたものと同様の利益を達成できる方法を開発することを意図したが,同時に,結果の解釈を可能にした。この解釈可能な回帰法は,微分回帰(EVREG)を用いたDempster-Shafer理論と各次元の寄与に基づく割引関数に基づいている。この方法は,勾配降下法を用いて各特徴の最適重みを学習する。この方法はまた,計算を加速するために最も近いk近傍アルゴリズムを使用する。このアプローチとEvidential回帰モデルの透明性を用いて,患者の健康管理コストを予測するための最も関連する特徴を選択することが可能である。k-NNアプローチによる予測の理由を得ることができる。2013年から2018年までの医学検査,検査結果,および請求情報を含む著者らの方法を試験するために,Tsuyama Chuo病院における日本の健康記録を使用した。著者らのモデルを,人工ニューラルネットワーク,勾配ブースティング,回帰ツリーおよび加重k-Nearest近傍に基づく方法と比較した。結果は,著者らの透明モデルが,0.44のR2で人工神経ネットワークと勾配ブースティングのように実行したことを示した。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  学習 ,  ネットワーク ,  ニューラルネットワーク ,  微分 ,  ブラックボックス ,  *特徴選択 ,  *健康管理 ,  医学的検査 ,  回帰モデル ,  最急降下法
準シソーラス用語： Dempster-Shafer理論 ,  ブースティング ,  アービタ , 【Automatic Indexing@JST】

著者キーワード (7件)： 医療コスト ,  Dempster-Shafer理論 ,  教師つき学習 ,  回帰 ,  特徴選択 ,  証拠回帰 ,  解釈可能な予測

分類 (1件)： 歯車,歯車装置  (QB01060O)

引用文献 (61件)：

• WHO. Public Spending on Health: A Closer Look at Global Trends; Technical Report; World Health Organization: Geneva, Switzerland, 2018.
• Garber, A.M.; Skinner, J. Is American health care uniquely inefficient? J. Econ. Perspect. 2008, 22, 27-50.
• Yoo, I.; Alafaireet, P.; Marinov, M.; Pena-Hernandez, K.; Gopidi, R.; Chang, J.F.; Hua, L. Data mining in healthcare and biomedicine: A survey of the literature. J. Med. Syst. 2012, 36, 2431-2448.
• Bilger, M.; Manning, W.G. Measuring overfitting in nonlinear models: A new method and an application to health expenditures. Health Econ. 2015, 24, 75-85.
• Diehr, P.; Yanez, D.; Ash, A.; Hornbrook, M.; Lin, D. Methods for analyzing health care utilization and costs. Annu. Rev. Public Health 1999, 20, 125-144.

タイトルに関連する用語 (4件)： 証拠 ,  管理コスト ,  予測 ,  特徴選択