Behavioral Risk Factor Surveillance System
PulseAugur coverage of Behavioral Risk Factor Surveillance System — every cluster mentioning Behavioral Risk Factor Surveillance System across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
机器学习模型识别慢性肾脏病的关键风险因素
研究人员开发了一个机器学习框架，用于识别慢性肾脏病（CKD）的风险个体。通过分析行为风险因素监测系统（BRFSS）和全国健康访谈调查（NHIS）等大规模远程医疗调查数据，他们的模型达到了高达76.12%的平衡准确率和82.29%的AUROC得分。进一步使用SHapley Additive exPlanations（SHAP）进行的分析，确定了关键风险因素，包括定期体检、年龄、血压和心理健康压力指标，为改善CKD风险分层提供了途径。
-
AI 辅助研究发现社会心理因素与认知困难的关联性强于环境因素
一篇新发表在 arXiv 上的研究论文探讨了环境因素与主观认知困难之间的关系。利用全人群研究项目（All of Us Research Program）的数据，该研究发现在考虑了地点内部的差异后，短期环境暴露（如天气和空气污染）与认知结果的关联性很小。相比之下，社会心理因素（如精神健康负担、孤独感和社会功能）与主观认知困难持续相关，其效应量大于环境暴露。通过行为风险因素监测系统（Behavioral Risk Factor Surve…
-
机器学习模型在预测2型糖尿病风险方面存在偏见
一项发表在arXiv上的新研究评估了用于预测2型糖尿病风险的机器学习模型，发现虽然模型在内部表现良好，但当应用于真实人群时，其有效性会显著下降。研究强调存在严重的偏见，与年轻或体重正常的个体相比，老年人和肥胖个体在预测准确性和校准方面表现更差。该分析使用XGBoost和SHAP进行可解释性分析，确定年龄、BMI和体育活动是关键风险因素，强调了公平性感知部署策略的必要性。
-
深度神经网络通过结合数据源增强调查估计
研究人员开发了一个新的框架，使用深度神经网络（DNNs）来结合概率和非概率调查样本，以实现更稳健的估计。该方法将非概率样本的抽样得分建模为一个未知的函数，通过最大化整合来自概率和非概率来源数据的伪似然来估计。该方法旨在提高对选择机制误设的稳健性，尤其是在选择机制是非线性时，并通过模拟研究和真实世界数据进行了评估。