文献

J-GLOBAL ID：201702248323510822   整理番号：17A0376093

電子健康記録による2型糖尿病を同定するための機械学習ベースのフレームワーク【Powered by NICT】

A machine learning-based framework to identify type 2 diabetes through electronic health records

著者 (9件)： Zheng Tao (Institute of Image Communication and Networking, Shanghai Jiao Tong University, Shanghai, China) ,  Zheng Tao (Tongren Hospital Shanghai Jiao Tong University, Shanghai, China) ,  Xie Wei (Department of Electrical Engineering & Computer Science, Vanderbilt University, Nashville, TN, USA) ,  Xu Liling (Tongren Hospital Shanghai Jiao Tong University, Shanghai, China) ,  He Xiaoying (Department of Endocrinology, the First Affiliated Hospital of Sun Yat-Sen University, Guangzhou, China) ,  Zhang Ya (Institute of Image Communication and Networking, Shanghai Jiao Tong University, Shanghai, China) ,  You Mingrong (Division of Epidemiology, Vanderbilt University, Nashville, TN, USA) ,  Yang Gong (Division of Epidemiology, Vanderbilt University, Nashville, TN, USA) ,  Chen You (Department of Biomedical Informatics, Vanderbilt University, Nashville, TN, USA)
資料名： International Journal of Medical Informatics  (International Journal of Medical Informatics)
巻： 97  ページ： 120-127  発行年： 2017年 
JST資料番号： D0729A  ISSN： 1386-5056  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アイルランド (IRL)  言語： 英語 (EN)

抄録/ポイント： ゲノムワイド関連研究(GWAS)とフェノームワイド関連研究(PheWAS)を介して2型糖尿病(T2DM)に多様な遺伝子型-表現型関係を発見するために,さらに多くの例(T2DM被験者)と対照(T2DMのない被験者)を同定する必要がある(例えば,電子健康記録(EHR)を介して)する。しかし,既存のエキスパートに基づく同定アルゴリズムは,しばしば,低再現率に影響を受け,保存フィルタリング基準の下で価値ある試料の大きな数を見逃す可能性がある。本研究の目標は,低い偽陽性率を保ちながら,再現率を改善するためのフィルタリング基準を自由化するパイロット研究として機械学習に基づく半自動フレームワークを開発することである。特徴工学と機械学習を介したEHRからとT2DMのない被験者を同定するためのデータ情報に基づくフレームワークを提案した。提案フレームワーク内で広く使用されている機械学習モデルの同定性能,k最近接,Naive Bayes,ディシジョンツリー,ランダムフォレスト,サポートベクトルマシンとロジスティック回帰を含む評価と対比した。筆者らのフレームワークは300患者試料(161例,60人の対照と79未確認例)を行い,2012~2014の範囲の地域分散型EHRリポジトリから検索された23,281糖尿病関連コホートからランダムに選択した。工学特徴に最高の機械学習アルゴリズムを適用した。正確度,精度,AUC,感度とT2DM被験者の同定のための最新エキスパートアルゴリズムに対する分類モデルの特異性をベンチマークと対比した。著者らの結果は,フレームワークは,高い識別性能(平均~0.98AUC),最先端アルゴリズム(AUCの0.71)よりもはるかに高いことが確認されたことを示した。EHRからT2DM被験者のエキスパートアルゴリズムに基づく同定は,それらの保存選択基準に起因する高欠測率によってしばしば妨げられる。筆者らのフレームワークは,高い同定率症例と対照を達成するためにそのような選択基準を緩和する機械学習と特徴工学利用する。著者らの提案したフレームワークは,EHRからT2DMのない被験者を同定するためのより正確で効率的な方法を示した。Copyright 2017 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： 表現型 ,  学習アルゴリズム ,  遺伝子型 ,  サポートベクトルマシン ,  フィルタリング ,  *機械学習 ,  選択基準 ,  *糖尿病 ,  ディシジョンツリー ,  *電子カルテ ,  ベンチマーク ,  患者 ,  *病歴
準シソーラス用語： 再現率 ,  被験者 , 【Automatic Indexing@JST】

著者キーワード (5件)： 電子健康記録 ,  2型糖尿病 ,  データマイニング ,  特徴工学 ,  機械学習

分類 (1件)： 医用情報処理  (JE15030Q)

タイトルに関連する用語 (5件)： 電子健康記録 ,  2型糖尿病 ,  同定 ,  機械学習 ,  フレームワーク