US National Health and Nutrition Examination Survey
PulseAugur coverage of US National Health and Nutrition Examination Survey — every cluster mentioning US National Health and Nutrition Examination Survey across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
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。
-
新的CardioMeta框架通过校准概率改进多疾病预测
研究人员开发了CardioMeta，一个用于联合预测糖尿病、高血压和心血管疾病的新多任务框架。该框架旨在通过关注校准概率、时间鲁棒性和在人口普查和电子健康记录等多样化数据集上的可靠亚组报告来改进现有的机器学习模型。虽然其准确性并未显著高于基线模型，但CardioMeta在控制标签泄露和提供更值得信赖的预测方面显示出价值，尤其是在处理不同医疗保健数据源之间的分布变化时。
-
新AI框架将视网膜图像与糖尿病视网膜病变的全身通路联系起来
研究人员开发了Causal-RetiGraph，一个整合视网膜图像分析与全身通路建模的新框架，以更好地理解糖尿病视网膜病变（DR）。该系统从视网膜血管图、病变证据和生物标志物构建可解释的表型，在DR分级方面取得了高精度。通过将这些视网膜表型与美国国家健康与营养调查（NHANES）的数据联系起来，该框架将HbA1c、尿液白蛋白和血压等关键全身因素确定为DR的重要锚点。分析还强调了糖化-肾脏和糖化-血流动力学通路作为关键介质，提供了对DR…
-
RetiSEM框架推动碎片化生物医学数据的因果建模 · 跟踪2个来源
研究人员开发了RetiSEM，一个用于从碎片化生物医学数据中恢复因果图和执行中介分析的新框架。该方法通过将数据组织成生物学信息块并应用领域特定约束，解决了不完整或非联合观测变量的挑战。RetiSEM在合成基准测试和结合临床与视网膜信息的真实世界数据集上均表现出卓越的性能，表明其在资源受限的生物医学AI应用中进行结构化因果假设检验的实用性。
-
机器学习模型提供无创血糖异常筛查
研究人员开发了用于无创血糖异常风险筛查的机器学习模型，无需进行实验室检测。LightGBM模型表现出卓越的性能，AUC为0.820，优于芬兰糖尿病风险评分和美国糖尿病协会风险测试等既有的临床风险评分。使用SHAP的可解释性分析显示，年龄、种族/民族和腰围身高比是最重要的预测因子，这表明其有可能在社区卫生环境和个人健康应用中部署。
-
新的基础模型分析可穿戴设备数据以获取心理健康见解
研究人员开发了一个名为 PAT（预训练活动图转换器）的新基础模型，专门用于分析心理健康研究中的可穿戴设备运动数据。该开源模型使用活动图序列上的自监督学习来预测精神疾病结局，其表现优于传统的时间序列模型。PAT 在预测苯二氮䓬类药物使用、抑郁症和睡眠异常方面表现出显著的改进，同时还提供了可解释的注意力图来突出关键活动时期。
-
受生物启发的自监督学习增强人类活动识别
研究人员开发了一种新的自监督学习方法，用于分析腕戴式加速度计数据，旨在改进人类活动识别（HAR）。该方法受运动的生物力学理论启发，将运动分割成基于子运动的“运动片段”。然后，使用这些片段的掩码重构来预训练Transformer编码器，重点关注运动的结构和时间组织，而不仅仅是波形形态。在NHANES语料库上进行预训练后，与现有的自监督学习基线相比，这些表示在六个HAR基准测试中表现出优越的性能。
-
新指南应对健康调查机器学习中的偏见
一项名为“面向调查的机器学习”（Survey-aware Machine Learning, SaML）的新指南被提出，旨在解决基于健康调查数据训练的机器学习模型中的偏见问题。标准的机器学习实践常常忽略抽样单位和权重等关键的调查设计要素，导致估计不准确和不确定性被低估。SaML 提供了一个九步框架，将这些调查元数据整合到从训练到评估的整个机器学习过程中，以确保有效的人群推断。
-
新的基于 copula 的方法纠正了处理效应估计中的内生性问题
研究人员开发了一种新的统计方法来解决处理效应估计中的内生性问题，这是医疗保健研究中一个常见的问题，其中代理变量与未观察到的因素相关。所提出的基于 copula 的双重稳健估计量使用高斯 copula 来模拟内生协变量和误差项的联合分布，从而无需工具变量即可进行一致估计。模拟表明，与表现出偏差的朴素方法不同，这种修正后的估计量提供了无偏的处理效应。该技术被应用于使用 NHANES 数据分析营养咨询对血压的影响，结果显示，在进行修正后，先…