健康管理環境における機械学習一般化可能性:マルチサイトCOVID-19スクリーニングからの洞察【JST・京大機械翻訳】

Yang, J.; Soltan, A. A.; Clifton, D. A.

プレプリント

J-GLOBAL ID：202202201169168563 整理番号：22P0320461

健康管理環境における機械学習一般化可能性:マルチサイトCOVID-19スクリーニングからの洞察【JST・京大機械翻訳】

Machine Learning Generalizability Across Healthcare Settings: Insights from multi-site COVID-19 screening

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (3件)： , ,
資料名：
発行年： 2022年02月10日プレプリントサーバーでの情報更新日： 2022年02月10日
JST資料番号： O7002B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

患者の健康情報がプライバシーの懸念により高度に調節されるので,機械学習(ML)に基づく医療研究の大部分は,外部患者コホートで試験できず,局所的に報告されたモデル性能と交差部位一般化可能性の間のギャップを生じる。異なるアプローチが,複数の臨床現場にわたるモデル開発のために導入されてきたが,新しい設定における採用のために準備されたモデルを翻訳するための方法を比較した研究はない。著者らは,この-(1)を準備できるモデル”as-is”を適用して3つの方法を導入した。(2)サイト特有のデータを用いて準備されたモデルの出力に関する決定閾値を再調整する;(3)移動学習による部位特異的データを用いて準備されたモデルの微調整。4つのNHS病院Trustを横断するCOVID-19診断の事例研究を用いて,著者らは,すべての方法が,最良結果(平均AUROCsが0.870~0.925)を達成する移動学習によって,臨床的有効性能(NPV>0.959)を達成することを示した。著者らのモデルは,部位特異的カスタマイゼーションが,他の準備されたアプローチと比較して予測性能を改善することを実証した。【JST・京大機械翻訳】

, , , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

人工知能

, , , , , , ,

前のページに戻る