論文の概要: Routine Outcome Monitoring in Psychotherapy Treatment using
Sentiment-Topic Modelling Approach
- arxiv url: http://arxiv.org/abs/2212.08111v1
- Date: Thu, 8 Dec 2022 20:14:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-25 03:02:54.135179
- Title: Routine Outcome Monitoring in Psychotherapy Treatment using
Sentiment-Topic Modelling Approach
- Title(参考訳): 感作トピックモデリングを用いた心理療法治療におけるルーチンアウトカムモニタリング
- Authors: Noor Fazilla Abd Yusof, Chenghua Lin
- Abstract要約: 患者の経過を継続的に監視することは、治療結果を大幅に改善し、期待される変化をもたらす可能性がある。
現在,評価システムは臨床評価と自己報告に基づく。
治療経過の経過を計測・監視するための計算方法が必要である。
- 参考スコア(独自算出の注目度): 10.944940802875573
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Despite the importance of emphasizing the right psychotherapy treatment for
an individual patient, assessing the outcome of the therapy session is equally
crucial. Evidence showed that continuous monitoring patient's progress can
significantly improve the therapy outcomes to an expected change. By monitoring
the outcome, the patient's progress can be tracked closely to help clinicians
identify patients who are not progressing in the treatment. These monitoring
can help the clinician to consider any necessary actions for the patient's
treatment as early as possible, e.g., recommend different types of treatment,
or adjust the style of approach. Currently, the evaluation system is based on
the clinical-rated and self-report questionnaires that measure patients'
progress pre- and post-treatment. While outcome monitoring tends to improve the
therapy outcomes, however, there are many challenges in the current method,
e.g. time and financial burden for administering questionnaires, scoring and
analysing the results. Therefore, a computational method for measuring and
monitoring patient progress over the course of treatment is needed, in order to
enhance the likelihood of positive treatment outcome. Moreover, this
computational method could potentially lead to an inexpensive monitoring tool
to evaluate patients' progress in clinical care that could be administered by a
wider range of health-care professionals.
- Abstract(参考訳): 個別患者に対する適切な心理療法を重んじることの重要性にもかかわらず、セラピーセッションの結果を評価することは同様に重要である。
症例の経過を連続的に観察することで,治療効果が有意に向上し,予後が改善する可能性が示唆された。
結果を監視することで、患者の進捗を注意深く追跡し、臨床医が治療が進行していない患者を特定するのに役立てることができる。
これらのモニタリングは、臨床医が患者の治療にできるだけ早く必要な行動、例えば、様々な種類の治療を推奨したり、アプローチのスタイルを調整したりするのに役立つ。
現在, この評価システムは, 患者の治療前後の経過を計測する臨床評価と自己報告のアンケートに基づいている。
結果監視は治療成績を改善する傾向にあるが、現在の方法では、例えば、アンケートの実施、得点、分析に要する時間と金銭的負担など、多くの課題がある。
そのため, 治療経過の経過を計測・監視する計算方法が必要であり, 陽性治療結果の可能性が高まる。
さらに、この計算手法は、より広い範囲の医療従事者が管理できる患者の臨床治療の進捗を評価するための、安価でモニタリングツールに繋がる可能性がある。
関連論文リスト
- Safe and Interpretable Estimation of Optimal Treatment Regimes [54.257304443780434]
我々は、最適な治療体制を特定するための安全かつ解釈可能な枠組みを運用する。
本研究は患者の医療歴と薬理学的特徴に基づくパーソナライズされた治療戦略を支援する。
論文 参考訳(メタデータ) (2023-10-23T19:59:10Z) - Deep Attention Q-Network for Personalized Treatment Recommendation [1.6631602844999724]
パーソナライズされた治療レコメンデーションのためのDeep Attention Q-Networkを提案する。
深い強化学習フレームワーク内のTransformerアーキテクチャは、過去のすべての患者の観察を効率的に取り入れている。
実世界の敗血症と急性低血圧コホートにおけるモデルの評価を行い、最先端モデルよりも優れていることを示した。
論文 参考訳(メタデータ) (2023-07-04T07:00:19Z) - Exploring Runtime Decision Support for Trauma Resuscitation [7.3268099910347715]
我々は,実行時次分間のアクティビティ予測を提供する治療推薦システムを開発した。
このシステムは、患者コンテキスト(例えば、人口統計学やバイタルサイン)とプロセスコンテキスト(例えば、活動)を使用して、次の数分で実行されるアクティビティを継続的に予測する。
ベストモデルの平均F1スコアは61種類の活動に対して0.67であった。
論文 参考訳(メタデータ) (2022-07-06T19:02:43Z) - Optimal discharge of patients from intensive care via a data-driven
policy learning framework [58.720142291102135]
退院課題は、退院期間の短縮と退院決定後の退院や死亡のリスクとの不確実なトレードオフに対処することが重要である。
本研究は、このトレードオフを捉えるためのエンドツーエンドの汎用フレームワークを導入し、最適放電タイミング決定を推奨する。
データ駆動型アプローチは、患者の生理的状態を捉えた同種で離散的な状態空間表現を導出するために用いられる。
論文 参考訳(メタデータ) (2021-12-17T04:39:33Z) - Disentangled Counterfactual Recurrent Networks for Treatment Effect
Inference over Time [71.30985926640659]
本稿では,DCRN(Disentangled Counterfactual Recurrent Network)を提案する。
時間とともに治療効果の因果構造に完全にインスパイアされたアーキテクチャでは、予測精度と疾患理解が向上する。
実データとシミュレーションデータの両方において,DCRNが処理応答予測の最先端手法より優れていることを示す。
論文 参考訳(メタデータ) (2021-12-07T16:40:28Z) - Clinical Outcome Prediction from Admission Notes using Self-Supervised
Knowledge Integration [55.88616573143478]
臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。
退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。
複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
論文 参考訳(メタデータ) (2021-02-08T10:26:44Z) - Representation Learning for Integrating Multi-domain Outcomes to
Optimize Individualized Treatments [6.505217121471555]
精神疾患の場合、患者の基礎となる精神状態は、観察された測定結果から推測されなければならない、保存されていない潜在的構成物である。
本稿では,患者の精神状態を同時に学習し,各個人に対して最適な治療を推奨する統合学習フレームワークを提案する。
論文 参考訳(メタデータ) (2020-10-30T20:30:31Z) - Learning Individualized Treatment Rules with Estimated Translated
Inverse Propensity Score [29.606141542532356]
本稿では、個別化された治療規則(ITR)を学習して治療方針を導出することに焦点を当てる。
本フレームワークでは,ITRの学習を文脈的盗聴問題とみなし,治療方針の予測リスクを最小限に抑える。
長期的目標として、当社の方針は、最終的にはIVおよびVPの治験ガイドラインの改善につながる可能性がある。
論文 参考訳(メタデータ) (2020-07-02T13:13:56Z) - Opportunities of a Machine Learning-based Decision Support System for
Stroke Rehabilitation Assessment [64.52563354823711]
リハビリテーションアセスメントは、患者の適切な介入を決定するために重要である。
現在の評価の実践は、主にセラピストの経験に依存しており、セラピストの可用性が限られているため、アセスメントは頻繁に実施される。
我々は、強化学習を用いて評価の健全な特徴を識別できるインテリジェントな意思決定支援システムを開発した。
論文 参考訳(メタデータ) (2020-02-27T17:04:07Z) - Estimating Counterfactual Treatment Outcomes over Time Through
Adversarially Balanced Representations [114.16762407465427]
時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。
CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。
本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
論文 参考訳(メタデータ) (2020-02-10T20:47:36Z)
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。