論文の概要: Remote Medication Status Prediction for Individuals with Parkinson's Disease using Time-series Data from Smartphones

• arxiv url: http://arxiv.org/abs/2207.13700v1
• Date: Tue, 26 Jul 2022 02:08:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-29 12:05:55.947209
• Title: Remote Medication Status Prediction for Individuals with Parkinson's Disease using Time-series Data from Smartphones
• Title（参考訳）: スマートフォンの時系列データを用いたパーキンソン病患者の遠隔投薬状況予測
• Authors: Weijian Li, Wei Zhu, Ray Dorsey, Jiebo Luo
• Abstract要約: 本稿では,パーキンソン病患者のmPowerデータセットを用いた薬剤状態の予測法を提案する。 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。
• 参考スコア（独自算出の注目度）: 75.0194940863449
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medication for neurological diseases such as the Parkinson's disease usually happens remotely at home, away from hospitals. Such out-of-lab environments pose challenges in collecting timely and accurate health status data using the limited professional care devices for health condition analysis, medication adherence measurement and future dose or treatment planning. Individual differences in behavioral signals collected from wearable sensors also lead to difficulties in adopting current general machine learning analysis pipelines. To address these challenges, we present a method for predicting medication status of Parkinson's disease patients using the public mPower dataset, which contains 62,182 remote multi-modal test records collected on smartphones from 487 patients. The proposed method shows promising results in predicting three medication status objectively: Before Medication (AUC=0.95), After Medication (AUC=0.958), and Another Time (AUC=0.976) by examining patient-wise historical records with the attention weights learned through a Transformer model. We believe our method provides an innovative way for personalized remote health sensing in a timely and objective fashion which could benefit a broad range of similar applications.
• Abstract（参考訳）: パーキンソン病のような神経疾患の薬は通常、病院から離れた自宅で遠隔で起こる。 このようなアウト・オブ・ラボ環境は、健康状態分析、薬物順守測定、将来の服用または治療計画のための限定された専門的ケア装置を用いて、タイムリーで正確な健康状態データを集めることが困難となる。 ウェアラブルセンサーから収集された行動信号の個人差は、現在の一般的な機械学習分析パイプラインを採用するのも困難になる。 これらの課題に対処するために,487人のスマートフォンで収集した62,182個の遠隔マルチモーダルテスト記録を含む公共mPowerデータセットを用いて,パーキンソン病患者の薬物状態を予測する方法を提案する。 提案手法は治療前(AUC=0.95)、治療後(AUC=0.958)、その他の時間(AUC=0.976)の3つの薬物状態の客観的な予測に有望な結果を示す。 当社の手法は,遠隔医療のパーソナライズを適時かつ客観的に行うための革新的手法であり,その適用範囲は幅広いと考えられる。

関連論文リスト

• Pre-Ictal Seizure Prediction Using Personalized Deep Learning [0.0]
  世界中で約2300万ないし30%のてんかん患者が薬剤抵抗性てんかん(DRE)を患っている 発作発生の予測不可能さは、安全上の問題や社会的懸念を引き起こし、DRE患者のライフスタイルを制限している。 本研究の目的は、開始から最大2時間前に発作を予測するための改良された技術と方法を使用することであった。
  論文  参考訳（メタデータ） (2024-10-07T21:04:41Z)
• Early Detection of Parkinson's Disease using Motor Symptoms and Machine Learning [0.0]
  本研究の目的は、運動や歩行関連パラメータなどの早期に発症する一般的な症状に焦点を当て、経済的かつ堅牢なウェアラブルデバイスの実現可能性に関する定量的分析に到達することである。 Parkinson's Progression Markers Initiative (PPMI)のサブセットであるPPMI Gaitデータセットが機能選択に使用されている。 その後、パーキンソン症候群の早期発見のために、91.9%の精度でリアルタイムデータをテストするために、特定された影響力のある特徴が使用されている。
  論文  参考訳（メタデータ） (2023-04-18T19:13:05Z)
• Subgroup discovery of Parkinson's Disease by utilizing a multi-modal smart device system [63.20765930558542]
  われわれはスマートウォッチとスマートフォンを使って、PD患者、DD、HCを含む504人の参加者のマルチモーダルデータを収集した。 様々なモダリティを組み合わせることで,分類精度が向上し,さらにPDクラスタが発見された。
  論文  参考訳（メタデータ） (2022-05-12T08:59:57Z)
• Exploratory Hidden Markov Factor Models for Longitudinal Mobile Health Data: Application to Adverse Posttraumatic Neuropsychiatric Sequelae [6.0431675579125415]
  外傷性神経精神医学の後遺症(APNS)は、外傷性曝露後、退役軍人や数百万人のアメリカ人の間で一般的である。 過去数十年にわたってAPNSで多くの研究が行われてきたが、基礎となる神経生物学的メカニズムの理解は限られている。
  論文  参考訳（メタデータ） (2022-02-25T16:53:22Z)
• Designing A Clinically Applicable Deep Recurrent Model to Identify Neuropsychiatric Symptoms in People Living with Dementia Using In-Home Monitoring Data [52.40058724040671]
  鎮静は認知症において高い有病率を有する神経精神医学症状の1つである。 扇動エピソードの検出は、認知症に生きる人々(PLWD)に早期かつタイムリーな介入を提供するのに役立つ。 本研究は,家庭内モニタリングデータを用いてPLWDの動揺リスクを分析するための教師付き学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-10-19T11:45:01Z)
• 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)
• Learning-based Computer-aided Prescription Model for Parkinson's Disease: A Data-driven Perspective [61.70045118068213]
  我々は、PD患者の症状と、神経科医が提供した処方薬を収集し、データセットを構築した。 そこで我々は、観察された症状と処方薬との関係を学習し、新しいコンピュータ支援処方薬モデルを構築した。 新来の患者に対しては、処方薬モデルにより、観察された症状に対して適切な処方薬を推奨できる(予測)。
  論文  参考訳（メタデータ） (2020-07-31T14:34:35Z)
• Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using Deep Multiple-Instance Learning [59.74684475991192]
  パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。 PD症状には、震動、剛性、ブレイキネジアがある。 本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-06T09:02:30Z)
• Predicting Injectable Medication Adherence via a Smart Sharps Bin and Machine Learning [0.9869634509510016]
  当科では,次の予定薬の時間帯に薬剤を服用することに関して,患者の行動に関する予測を行う。 私たちはこれを、多くの機械学習モデルを活用することで実現しています。 提案した機械学習手法は、受信器動作特性曲線(ROC AUC)0.86の領域を示す非常に優れた予測性能を示した。
  論文  参考訳（メタデータ） (2020-04-02T17:16:51Z)

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。