Machine learning predicts selected cat diseases using insurance data amid challenges in interpretability
Notice bibliographique
Résumé
Objective: To develop models for prediction of the onset of specific diseases in cats using pet insurance data and to evaluate their predictive performance. Methods: Agria Pet Insurance data from almost 550,000 cats (2011 to 2016) were analyzed and used to train predictive models for periodontal disease and skin tumors using breed, sex, and insurance claim history. Random downsampling and 1:1 matching by age, insurance duration, and time at risk balanced the dataset. Variables were then further processed, with random forest and conditional logistic regression used for analysis. Model accuracy was assessed through leave-one-out cross-validation, while variable importance plots, partial dependence plots, and coefficients were used for model interpretation. Results: Model accuracy ranged from 81.9% to 88.2% (P < .01, baseline 50%). Key predictors included prior insurance claims for "digestive," "whole body symptom," "skin," and "injury conditions," which may be nonspecific and predictive of various diseases. Maine Coon, Siamese, and Burmese cats were associated with periodontal disease-positive predictions, while domestic cats were linked with negative predictions. For skin tumors, Norwegian Forest Cats, Devon Rex and Sphynx cats, and Maine Coon cats were associated with positive predictions, whereas Birman and domestic cats were linked with negative predictions. Conclusions: This study presents a method of machine learning predictive analysis on pet insurance data, although more comprehensive medical information and approaches accounting for data characteristics may be necessary to develop clearer predictors. Clinical Relevance: To prevent or detect these conditions early, veterinarians can use the breed risk results to guide clients, especially those with high-risk breeds, by offering early advice on lifestyle and monitoring.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».