論文の概要: Care for the Mind Amid Chronic Diseases: An Interpretable AI Approach Using IoT

• arxiv url: http://arxiv.org/abs/2211.04509v2
• Date: Wed, 16 Apr 2025 15:54:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-17 21:28:20.533551
• Title: Care for the Mind Amid Chronic Diseases: An Interpretable AI Approach Using IoT
• Title（参考訳）: 慢性疾患における心のケア:IoTを用いた解釈可能なAIアプローチ
• Authors: Jiaheng Xie, Xiaohang Zhao, Xiang Liu, Xiao Fang,
• Abstract要約: 既存の健康センシング研究は、主に身体性慢性疾患の予測に焦点を当てている。 しかし、慢性疾患の広範な合併症であるうつ病が検討されている。 我々は解釈可能な深層学習モデルを開発する:時間的プロトタイプネットワーク(TempPNet) 患者、医師、介護者は、我々のモデルをモバイルデバイスにデプロイし、患者のうつ病リスクをリアルタイムで監視することができる。
• 参考スコア（独自算出の注目度）: 2.301629052210528
• License:
• Abstract: Health sensing for chronic disease management creates immense benefits for social welfare. Existing health sensing studies primarily focus on the prediction of physical chronic diseases. Depression, a widespread complication of chronic diseases, is however understudied. We draw on the medical literature to support depression detection using motion sensor data. To connect humans in this decision-making, safeguard trust, and ensure algorithm transparency, we develop an interpretable deep learning model: Temporal Prototype Network (TempPNet). TempPNet is built upon the emergent prototype learning models. To accommodate the temporal characteristic of sensor data and the progressive property of depression, TempPNet differs from existing prototype learning models in its capability of capturing temporal progressions of prototypes. Extensive empirical analyses using real-world motion sensor data show that TempPNet outperforms state-of-the-art benchmarks in depression detection. Moreover, TempPNet interprets its decision by visualizing the temporal progression of depression and its corresponding symptoms detected from sensor data. We further employ a user study and a medical expert panel to demonstrate its superiority over the benchmarks in interpretability. This study offers an algorithmic solution for impactful social good -- collaborative care of chronic diseases and depression in health sensing. Methodologically, it contributes to extant literature with a novel interpretable deep learning model for depression detection from sensor data. Patients, doctors, and caregivers can deploy our model on mobile devices to monitor patients' depression risks in real-time. Our model's interpretability also allows human experts to participate in the decision-making by reviewing the interpretation and making informed interventions.
• Abstract（参考訳）: 慢性疾患管理のための健康センシングは、社会福祉に多大な利益をもたらす。 既存の健康センシング研究は、主に身体性慢性疾患の予測に焦点を当てている。 しかし、慢性疾患の広範な合併症であるうつ病が検討されている。 我々は,運動センサデータを用いた抑うつ検出を支援するため,医学文献を引用する。 この意思決定において人間を結び、信頼を守り、アルゴリズムの透明性を確保するために、解釈可能な深層学習モデルTempPNetを開発した。 TempPNetは、創発的なプロトタイプ学習モデルの上に構築されている。 センサデータの時間的特性と抑うつの進行特性に対応するため,TempPNetはプロトタイプの時間的進行を捉える能力において,既存のプロトタイプ学習モデルとは異なる。 実世界のモーションセンサーデータを用いた大規模な実験分析により、TempPNetはうつ病検出における最先端のベンチマークより優れていることが示された。 さらに、TempPNetは、センサデータから検出されたうつ病の時間的進行とそれに対応する症状を可視化することにより、その決定を解釈する。 さらに、ユーザスタディと医療専門家パネルを用いて、解釈可能性のベンチマークよりも優れていることを実証する。 この研究は、慢性疾患の協調ケアと、健康センシングにおけるうつ病に対するアルゴリズム的な解決策を提供する。 提案手法は,センサデータからの抑うつ検出のための新しい解釈可能な深層学習モデルを用いて,既存の文献に寄与する。 患者、医師、介護者は、我々のモデルをモバイルデバイスにデプロイし、患者のうつ病リスクをリアルタイムで監視することができる。 我々のモデルの解釈可能性はまた、人間の専門家が解釈を見直し、情報的介入を行うことで意思決定に参加することを可能にする。

関連論文リスト

• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• Contrastive Learning of Temporal Distinctiveness for Survival Analysis in Electronic Health Records [10.192973297290136]
  本稿では,オントロジーを意識したテンポラリティに基づくコントラシブ・サバイバル(OTCSurv)分析フレームワークを提案する。 OTCSurvは、検閲されたデータと観察されたデータの両方から生存期間を使い、時間的特異性を定義する。 急性腎障害(AKI)を発症する危険のある入院患者のリスクを予測するために,大規模なEHRデータセットを用いて実験を行った。
  論文  参考訳（メタデータ） (2023-08-24T22:36:22Z)
• What Symptoms and How Long? An Interpretable AI Approach for Depression Detection in Social Media [0.5156484100374058]
  うつ病は最も一般的で深刻な精神疾患であり、重大な財政的・社会的影響をもたらす。 本研究は、ソーシャルメディアにおける抑うつ検出のための新しい解釈可能な深層学習モデルを用いて、IS文献に寄与する。
  論文  参考訳（メタデータ） (2023-05-18T20:15:04Z)
• Bayesian Networks for the robust and unbiased prediction of depression and its symptoms utilizing speech and multimodal data [65.28160163774274]
  我々は,抑うつ,抑うつ症状,および,胸腺で収集された音声,表情,認知ゲームデータから得られる特徴の関連性を把握するためにベイズ的枠組みを適用した。
  論文  参考訳（メタデータ） (2022-11-09T14:48:13Z)
• Forecasting Patient Flows with Pandemic Induced Concept Drift using Explainable Machine Learning [0.0]
  本研究では,患者フローの予測モデルを改善する新しい準リアルタイム変数群について検討した。 新型コロナウイルス(COVID-19)のアラートレベル(Alert Level)機能は、Googleの検索語や歩行者のトラフィックとともに、一般的な予測を生成するのに効果的だった。
  論文  参考訳（メタデータ） (2022-11-01T20:42:26Z)
• Interpreting County Level COVID-19 Infection and Feature Sensitivity using Deep Learning Time Series Models [1.101002667958165]
  本稿では,ディープラーニングを用いてモデル予測のための特徴感度を学習する新しいフレームワークを提案する。 テンポラルフュージョントランスを用いた郡レベルの新型コロナウイルス感染予測を行った。 次に、Moris Methodを拡張した感度分析を使用して、出力が静的および動的入力機能に対してどれほど感度が高いかを確認します。
  論文  参考訳（メタデータ） (2022-10-06T23:45:37Z)
• Data-Centric Epidemic Forecasting: A Survey [56.99209141838794]
  この調査は、様々なデータ駆動の方法論および実践的進歩を掘り下げるものである。 疫学的なデータセットと,流行予測に関連する新しいデータストリームを列挙する。 また,これらの予測システムの現実的な展開において生じる経験や課題についても論じる。
  論文  参考訳（メタデータ） (2022-07-19T16:15:11Z)
• Proactive Pseudo-Intervention: Causally Informed Contrastive Learning For Interpretable Vision Models [103.64435911083432]
  PPI(Proactive Pseudo-Intervention)と呼ばれる新しい対照的な学習戦略を提案する。 PPIは、因果関係のない画像の特徴を保護するために積極的に介入する。 また,重要な画像画素を識別するための,因果的に通知された新たなサリエンスマッピングモジュールを考案し,モデル解釈の容易性を示す。
  論文  参考訳（メタデータ） (2020-12-06T20:30:26Z)
• Deep Multi-task Learning for Depression Detection and Prediction in Longitudinal Data [50.02223091927777]
  うつ病は最も多い精神疾患の1つであり、世界中の年齢の何百万人もの人々に影響を与えている。 機械学習技術は、早期介入と治療のためのうつ病の自動検出と予測を可能にしている。 本稿では、この課題に対処するために、2つの補助的タスクでうつ病分類を共同最適化する、新しいディープマルチタスクリカレントニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2020-12-05T05:14:14Z)
• Bidirectional Representation Learning from Transformers using Multimodal Electronic Health Record Data to Predict Depression [11.1492931066686]
  うつ病の予測のために,ERHシーケンス上で双方向の表現学習を行うための時間的深層学習モデルを提案する。 このモデルでは, 曲線(PRAUC)下において, 最良ベースラインモデルと比較して, 抑うつ予測において0.70から0.76まで, 精度・リコール面積の最大値が得られた。
  論文  参考訳（メタデータ） (2020-09-26T17:56:37Z)
• BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
  本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。 エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。 実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
  論文  参考訳（メタデータ） (2020-09-24T00:42:36Z)

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。