因果モデルを用いた認知障害に対する臨床予測モデルの輸送可能性の評価【JST・京大機械翻訳】

Fehr, J.; Piccininni, M.; Kurth, T.; Konigorski, S.

プレプリント

J-GLOBAL ID：202202212153958990 整理番号：22P0321087

因果モデルを用いた認知障害に対する臨床予測モデルの輸送可能性の評価【JST・京大機械翻訳】

Assessing the transportability of clinical prediction models for cognitive impairment using causal models

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 (4件)： , , ,
資料名：
発行年： 2023年02月16日プレプリントサーバーでの情報更新日： 2023年02月16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)

【背景】Machine学習モデルは,診断予測を支持するのに有望であるが,新しい設定ではうまく機能しない可能性がある。利用可能なデータのない新しい設定のための最良のモデルを選択することは,挑戦的である。人口統計学的および臨床的特徴の異なる分布を有する模擬外部設定における認知障害に対する予測モデルの較正および識別による輸送性を検討した。方法:著者らは,因果グラフ,構造方程式モデル,およびADNI研究からのデータを用いて,認知障害に関連する変数間の関係をマッピングし,定量化した。次に,これらの推定を用いてデータセットを生成し,異なるセットの予測子で予測モデルを評価した。著者らは,年齢,APOE{var}4,およびタウ蛋白質に関する誘導介入の下で外部設定への輸送性を測定し,キャリブレーション計量および受信者動作特性曲線下面積(AUC)で測定した内部および外部設定間の差を用いた。【結果】較正差は,結果の原因で予測したモデルが,結果による予測よりも輸送性が高いことを示した。AUCの差異は,異なる外部設定間の輸送性の傾向を示さなかった。結果で予測したモデルは,内部設定と比較して外部設定でより高いAUCを示す傾向があったが,両親または全ての変数を有するモデルは同様のAUCを示した。結論:実際の予測タスク例により,結果の原因で予測することが,キャリブレーション差によって測定される抗因果予測と比較して,より良い輸送性をもたらすことを実証した。キャリブレーション差は,外部設定に対するモデル輸送性を評価するためにAUC差より適切であると結論した。【JST・京大機械翻訳】

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

分子・遺伝情報処理 , 医用情報処理

, , , , , ,

前のページに戻る