論文の概要: Journaling Data for Daily PHQ-2 Depression Prediction and Forecasting

• arxiv url: http://arxiv.org/abs/2205.03391v1
• Date: Fri, 6 May 2022 17:47:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-09 12:40:45.970323
• Title: Journaling Data for Daily PHQ-2 Depression Prediction and Forecasting
• Title（参考訳）: 日次phq-2抑うつ予測と予測のためのジャーナリングデータ
• Authors: Alexander Kathan, Andreas Triantafyllopoulos, Xiangheng He, Manuel Milling, Tianhao Yan, Srividya Tirunellai Rajamani, Ludwig K\"uster, Mathias Harrer, Elena Heber, Inga Grossmann, David D. Ebert, Bj\"orn W. Schuller
• Abstract要約: 我々は,新たに収集した時系列データセット上で,アクティブに収集されたデータを用いて,毎日のPHQ-2スコアを予測し,予測する可能性を探る。 PHQ-2 スコアの日次予測には 1.417 の MAE が最適である。 これは、うつ病モニタリングアプリケーションにアクティブに収集されたデータを組み込むことで得られる付加価値を示す。
• 参考スコア（独自算出の注目度）: 47.93070579578704
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Digital health applications are becoming increasingly important for assessing and monitoring the wellbeing of people suffering from mental health conditions like depression. A common target of said applications is to predict the results of self-assessed Patient-Health-Questionnaires (PHQ), indicating current symptom severity of depressive individuals. In this work, we explore the potential of using actively-collected data to predict and forecast daily PHQ-2 scores on a newly-collected longitudinal dataset. We obtain a best MAE of 1.417 for daily prediction of PHQ-2 scores, which specifically in the used dataset have a range of 0 to 12, using leave-one-subject-out cross-validation, as well as a best MAE of 1.914 for forecasting PHQ-2 scores using data from up to the last 7 days. This illustrates the additive value that can be obtained by incorporating actively-collected data in a depression monitoring application.
• Abstract（参考訳）: デジタルヘルスの応用は、うつ病などの精神疾患に苦しむ人々の健康を評価・監視するためにますます重要になっている。 本研究の目的は,うつ病患者の症状の重症度を示すセルフアセスメントされた患者・健康調査(PHQ)の結果を予測することである。 本研究では,新たに収集した時系列データセットを用いて,アクティブに収集したデータを用いて,毎日のPHQ-2スコアを予測・予測する可能性を検討する。 本研究では, PHQ-2 スコアの日次予測に 1.417 の MAE が最適であり, 使用するデータセットは 0 から 12 の範囲で, 残差1 サブジェクトアウトのクロスバリデーション, および過去7 日間のデータを用いた PHQ-2 スコアの予測には 1.914 の MAE が最適である。 これは、うつ病モニタリングアプリケーションにアクティブに収集されたデータを組み込むことで得られる付加価値を示す。

関連論文リスト

• Detecting the Clinical Features of Difficult-to-Treat Depression using Synthetic Data from Large Language Models [0.20971479389679337]
  我々は,日常的に収集された物語(自由テキスト)電子健康記録データを問うことができるLarge Language Model(LLM)ベースのツールの開発を目指している。 LLM生成合成データ(GPT3.5)と非最大抑圧(NMS)アルゴリズムを用いてBERTに基づくスパン抽出モデルを訓練する。 以上の結果から,20因子のセットによる臨床データによる総合成績 (0.70 F1) と重要なDTDのサブセットにおける高いパフォーマンス (0.85 F1 と 0.95 の精度) が得られた。
  論文  参考訳（メタデータ） (2024-02-12T13:34:33Z)
• MedLens: Improve Mortality Prediction Via Medical Signs Selecting and Regression [4.43322868663347]
  データ品質の問題については文献では議論されていない。 我々はMEDLENSを設計し、統計による自動バイタルメディカルサイン選択手法と、高損失率時系列に対する柔軟なアプローチを用いて設計した。 精度は 0.96 AUC-ROC と 0.81 AUC-PR で、これは以前のベンチマークを超えている。
  論文  参考訳（メタデータ） (2023-05-19T15:28:02Z)
• Mixed Effects Random Forests for Personalised Predictions of Clinical Depression Severity [2.6572038957677657]
  本研究は,マルチモーダルな生理・デジタル活動データを用いて,無作為な森林がうつ病の重症度を正確に予測する方法を実証する。 臨床うつ病評価尺度(S_17)では,無作為林の混合効果が,標準ランダム林と個人平均ベースラインを上回っていることが示されている。 モデルパラメータをデータセット内の個人にパーソナライズする混合効果ランダムフォレストの有効性により,この結果が向上することが示唆された。
  論文  参考訳（メタデータ） (2023-01-24T04:50:55Z)
• Remote Medication Status Prediction for Individuals with Parkinson's Disease using Time-series Data from Smartphones [75.23250968928578]
  本稿では,パーキンソン病患者のmPowerデータセットを用いて薬剤状態を予測する方法を提案する。 提案手法は,3つの薬物状態を客観的に予測する上で有望な結果を示す。
  論文  参考訳（メタデータ） (2022-07-26T02:08:08Z)
• Depression Diagnosis and Forecast based on Mobile Phone Sensor Data [47.93070579578704]
  これまでの研究では、携帯電話から収集したセンサデータとヒトのうつ状態の相関が示されている。 本研究では,携帯電話データから電話,電話利用,ユーザ活動,GPS機能を含む4種類の受動的特徴を抽出する。 我々は、診断と予測タスクの両方をモデル化するために、主観非依存の10倍のクロスバリデーション設定に長寿命メモリ(LSTM)ネットワークを実装した。
  論文  参考訳（メタデータ） (2022-05-10T10:05:36Z)
• Self-supervision of wearable sensors time-series data for influenza detection [4.850820365312369]
  我々は、自己教師付き学習を用いて、翌日の時系列値を予測することで、正確なILI予測に適応できるリッチな表現を学習できることを示す。 以上の結果から、翌日の睡眠中の安静時心拍数や就寝時間を予測することは、ILI予測により良い表現をもたらすことが示唆された。
  論文  参考訳（メタデータ） (2021-12-27T16:09:43Z)
• Label scarcity in biomedicine: Data-rich latent factor discovery enhances phenotype prediction [102.23901690661916]
  低次元の埋め込み空間は、健康指標、ライフスタイル、および人口動態の予測をデータスカース化するために、英国バイオバンクの人口データセットから導出することができる。 半超越的アプローチによるパフォーマンス向上は、おそらく様々な医学データサイエンス応用にとって重要な要素となるだろう。
  論文  参考訳（メタデータ） (2021-10-12T16:25:50Z)
• Predicting Parkinson's Disease with Multimodal Irregularly Collected Longitudinal Smartphone Data [75.23250968928578]
  パーキンソン病は神経疾患であり、高齢者に多い。 伝統的に病気を診断する方法は、一連の活動テストの品質に関する個人的主観的臨床評価に依存している。 そこで本研究では,スマートフォンが収集した生の行動データを用いて,パーキンソン病を予測するための時系列に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-09-25T01:50:15Z)
• Short Term Blood Glucose Prediction based on Continuous Glucose Monitoring Data [53.01543207478818]
  本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。 短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
  論文  参考訳（メタデータ） (2020-02-06T16:39:44Z)

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。