論文の概要: Health-behaviors associated with the growing risk of adolescent suicide attempts: A data-driven cross-sectional study

• arxiv url: http://arxiv.org/abs/2009.03966v1
• Date: Tue, 8 Sep 2020 19:29:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-20 21:29:38.171978
• Title: Health-behaviors associated with the growing risk of adolescent suicide attempts: A data-driven cross-sectional study
• Title（参考訳）: 思春期自殺未遂のリスク増加に伴う健康行動:データ駆動横断的研究
• Authors: Zhiyuan Wei and Sayanti Mukherjee
• Abstract要約: 主要な健康行動としては、悲しむこと、不眠であること、学校における安全上の懸念、身体的戦闘、吸入量、学校での違法薬物消費、タバコの使用、そして早期に初性を持つことが挙げられる。 少数民族集団(アメリカン・インディアン・アラスカ・インディアン、ヒスパニック・ラティノス、および女性)も自殺未遂に非常に脆弱である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Purpose: Identify and examine the associations between health behaviors and increased risk of adolescent suicide attempts, while controlling for socioeconomic and demographic differences. Design: A data-driven analysis using cross-sectional data. Setting: Communities in the state of Montana from 1999 to 2017. Subjects: Selected 22,447 adolescents of whom 1,631 adolescents attempted suicide at least once. Measures: Overall 29 variables (predictors) accounting for psychological behaviors, illegal substances consumption, daily activities at schools and demographic backgrounds, were considered. Analysis: A library of machine learning algorithms along with the traditionally-used logistic regression were used to model and predict suicide attempt risk. Model performances (goodness-of-fit and predictive accuracy) were measured using accuracy, precision, recall and F-score metrics. Results: The non-parametric Bayesian tree ensemble model outperformed all other models, with 80.0% accuracy in goodness-of-fit (F-score:0.802) and 78.2% in predictive accuracy (F-score:0.785). Key health-behaviors identified include: being sad/hopeless, followed by safety concerns at school, physical fighting, inhalant usage, illegal drugs consumption at school, current cigarette usage, and having first sex at an early age (below 15 years of age). Additionally, the minority groups (American Indian/Alaska Natives, Hispanics/Latinos), and females are also found to be highly vulnerable to attempting suicides. Conclusion: Significant contribution of this work is understanding the key health-behaviors and health disparities that lead to higher frequency of suicide attempts among adolescents, while accounting for the non-linearity and complex interactions among the outcome and the exposure variables.
• Abstract（参考訳）: 目的: 健康行動と思春期自殺未遂のリスクの増加との関連を同定し, 社会経済的・人口統計学的差異をコントロールした。 設計: 断面データを用いたデータ駆動分析。 設定:1999年から2017年までモンタナ州のコミュニティ。 対象:22,447人の青少年の中から1,631人が少なくとも1回は自殺を試みた。 尺度: 心理的行動, 違法物質消費, 学校における日常活動, 人口統計学的背景を考慮した29変数(予測者)を総合的に検討した。 分析: 従来のロジスティック回帰と共に機械学習アルゴリズムのライブラリを使用して、自殺未遂のリスクをモデル化し予測した。 精度,精度,リコール,Fスコア測定値を用いて,モデル性能(適合度,予測精度)を測定した。 結果: 非パラメトリックベイズ木アンサンブルモデルは, 精度が80.0%(Fスコア:0.802), 予測精度が78.2%(Fスコア:0.785)の他のモデルよりも優れていた。 主な健康行動は、悲しむ/不眠であること、学校における安全上の懸念、身体的戦闘、吸入量、学校での違法薬物消費、現在のタバコ使用、そして15歳未満の若さでの最初の性行為である。 また、少数民族(アメリカン・インディアン・アラスカ・インディアン、ヒスパニック・ラティノス)や女性も自殺未遂に非常に脆弱である。 結論: 本研究の最も重要な貢献は, 青年期における自殺未遂の頻度を高めるための重要な健康行動と健康格差を理解することであり, 結果と被曝変数間の非線形性や複雑な相互作用を考慮に入れている。

関連論文リスト

• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• SOS-1K: A Fine-grained Suicide Risk Classification Dataset for Chinese Social Media Analysis [22.709733830774788]
  本研究では,自殺リスクの詳細な分類を目的とした,中国のソーシャルメディアデータセットを提案する。 事前訓練した7つのモデルについて, 自殺リスクが高い, 自殺リスクが少ない, 自殺リスクの細かい分類が0～10の2つのタスクで評価された。 ディープラーニングモデルは高い自殺リスクと低い自殺リスクを区別する上で優れた性能を示し、最良のモデルはF1スコア88.39%である。
  論文  参考訳（メタデータ） (2024-04-19T06:58:51Z)
• Predicting suicidal behavior among Indian adults using childhood trauma, mental health questionnaires and machine learning cascade ensembles [0.0]
  若者の間では、自殺はインドの主要な死因であり、国民の自殺率は約16%である。 近年,様々な行動特性を用いて自殺行動を予測する機械学習アルゴリズムが登場している。 本研究では、子どもの外傷、異なるメンタルヘルスパラメータ、その他の行動要因に基づく自殺行動を予測するために、異なる機械学習アルゴリズムとアンサンブルを開発した。
  論文  参考訳（メタデータ） (2024-01-31T09:49:46Z)
• Exploration of Adolescent Depression Risk Prediction Based on Census Surveys and General Life Issues [7.774933303698165]
  青年期におけるうつ病の頻度は着実に増加している。 尺度や面接に依存する従来の診断方法は、特に若者のうつ病を検出するには不十分である。 本研究では,高度不均衡な高次元データを管理する手法と,データ構造特性に合わせた適応予測手法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T09:14:25Z)
• Towards Clinical Prediction with Transparency: An Explainable AI Approach to Survival Modelling in Residential Aged Care [0.0]
  この研究は、機械学習を用いて高齢者ケアの生存モデルを作成し、死亡リスク要因に関する臨床的知見と一致させる。 主な死亡率予測には、年齢、男性性、移動性、健康状態、圧力潰瘍リスク、食欲などが含まれる。
  論文  参考訳（メタデータ） (2023-12-01T01:11:16Z)
• What's Race Got to do with it? Predicting Youth Depression Across Racial Groups Using Machine and Deep Learning [0.0]
  うつ病は一般的だが深刻な精神障害であり、毎年何百万人もの高校生に影響を与えている。 本研究では、機械学習(ML)モデルと人工知能ニューラルネットワーク(ANN)モデルを用いて、学生のうつ病を分類する手法を提案する。
  論文  参考訳（メタデータ） (2023-08-21T13:59:50Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• Robustness to Spurious Correlations via Human Annotations [100.63051542531171]
  本稿では,人間に共通する因果関係の知識を活用して,素因関係に頑健なモデルを構築するための枠組みを提案する。 具体的には、人間のアノテーションを使用して、潜在的な未測定変数でトレーニング例を拡大する。 次に,未測定変数(UV-DRO)に対する分布性に頑健な新たな最適化手法を導入し,テスト時間シフトによる最悪の損失を制御する。
  論文  参考訳（メタデータ） (2020-07-13T20:05:19Z)
• A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
  ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。 また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
  論文  参考訳（メタデータ） (2020-06-08T19:24:54Z)
• Can x2vec Save Lives? Integrating Graph and Language Embeddings for Automatic Mental Health Classification [91.3755431537592]
  グラフと言語の埋め込みモデル(metapath2vec と doc2vec)がリソース制限を回避する方法を示します。 統合されると、両データは高度に正確な予測を生成する(90%、偽陽性10%、偽陰性12%)。 これらの結果は、大規模ネットワークにおける行動と言語を同時に分析することの重要性の研究を拡大する。
  論文  参考訳（メタデータ） (2020-01-04T20:56:21Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。