機械学習と日常臨床変数を用いたタイ成人における前メタボリックシンドロームおよびメタボリックシンドロームの分類

• 中国の糖尿病患者における低血糖予測MLモデル13研究の系統的レビュー・メタアナリシスで、プールされたAUCは0.90(95%CI 0.87-0.93)、低血糖有病率は25%と報告された。
• アルゴリズム別AUCはXGBoost 0.89、ランダムフォレスト0.88、SVM 0.85、LightGBM 0.84、ロジスティック回帰0.83、決定木0.81で、勾配ブースティング系が優位だった。
• 一般的な予測因子として年齢、インスリン使用、BMI、HbA1c、クレアチニン、低血糖の既往が同定された。

• 353,680件のレコードを用いたリークフリープロトコルに基づく糖尿病予測スタッキングアンサンブルが、テストセットで0.8481のAUC-ROCを達成した。
• 完全なHbA1cおよびグルコースデータでトレーニングされたCBSサブモデルは0.9781のAUCを達成し、マルチソース融合による0.130単位の情報コストを定量化した。
• 端末から端末への動的ルーティングパイプラインにより、患者の28.1%をCBSサブモデルにルーティングし、0.8496のブレンドAUCを達成した。

• 骨粗鬆症・骨疾患予測に関する2020年1月〜2026年6月30日発表の58件の研究を統合した系統的レビューが公表された。
• ディープラーニングがAUC 0.82–0.96の高い予測精度を達成し、XAIが臨床的解釈可能性を、生成モデルがデータ不足を補い、マルチモーダル学習が画像と臨床データの統合で性能を向上させた。
• 外部検証の限界、後向きデータへの依存、一般化可能性の低さ、規制準備の不足が実用化上の課題として残っている。

• 10,000件の観測データからなる分散型4ノードスター型電力システムのシミュレーションを用い、6種の従来型機械学習モデルと4種の深層学習アーキテクチャを層化5分割交差検証で比較評価した。
• ブースティングモデルの相補的表現を線形メタ学習器で統合するハイブリッドスタッキングアンサンブルを開発し、精度96.85%、加重F1 0.9685、ROC-AUC 0.9953、MCC 0.9319を達成した。
• 元の12系統パラメータから7つの物理情報ベース特徴量を追加し19次元特徴空間を構築、SHAP分析でτ−P相互作用や電力バランス特性が識別情報を提供することを示した。

胎児の健康状態を正常、疑い、病的の3カテゴリーに分類するため、心音図(CTG)由来の臨床的特徴量を用いた機械学習ベースのフレームワークが開発された。データセットは、重複除去、正規化、SMOTEENNによるクラスバランス調整、VIFによる多重共線性解析、Kruskal–Wallis統計的特徴量選択を経て前処理された。11種類の機械学習・ニューラルネットワークモデルが訓練・比較され、LightGBMが96.03%の精度、91.99%のバランス精度、93.05%のマクロF1スコア、99.02%のROC-AUC、88.91%のCohen's Kappa、89.01%のMCCで最高の全体的パフォーマン…