論文の概要: Mixed Effects Random Forests for Personalised Predictions of Clinical
Depression Severity
- arxiv url: http://arxiv.org/abs/2301.09815v1
- Date: Tue, 24 Jan 2023 04:50:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-25 14:30:14.068262
- Title: Mixed Effects Random Forests for Personalised Predictions of Clinical
Depression Severity
- Title(参考訳): 臨床うつ病重症度の個人化予測のための混合効果ランダムフォレスト
- Authors: Robert A. Lewis, Asma Ghandeharioun, Szymon Fedor, Paola Pedrelli,
Rosalind Picard, David Mischoulon
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 2.6572038957677657
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This work demonstrates how mixed effects random forests enable accurate
predictions of depression severity using multimodal physiological and digital
activity data collected from an 8-week study involving 31 patients with major
depressive disorder. We show that mixed effects random forests outperform
standard random forests and personal average baselines when predicting clinical
Hamilton Depression Rating Scale scores (HDRS_17). Compared to the latter
baseline, accuracy is significantly improved for each patient by an average of
0.199-0.276 in terms of mean absolute error (p<0.05). This is noteworthy as
these simple baselines frequently outperform machine learning methods in mental
health prediction tasks. We suggest that this improved performance results from
the ability of the mixed effects random forest to personalise model parameters
to individuals in the dataset. However, we find that these improvements pertain
exclusively to scenarios where labelled patient data are available to the model
at training time. Investigating methods that improve accuracy when generalising
to new patients is left as important future work.
- Abstract(参考訳): 本研究は,31名のうつ病患者を対象とした8週間の研究から得られたマルチモーダル生理・デジタル活動データを用いて,ランダム林がうつ病の正確な予測を可能にすることを示す。
ハミルトン抑うつ評価尺度 (HDRS_17) の予測において, ランダム林の混合効果は, 標準ランダム林と個人平均ベースラインを上回った。
後者の基準と比較すると,平均絶対誤差(p<0.05)で0.199~0.276の精度が有意に向上した(p<0.05)。
これらの単純なベースラインは、メンタルヘルス予測タスクにおいて、機械学習の手法を頻繁に上回ります。
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,この結果が改善されることが示唆された。
しかし、これらの改善は、トレーニング時にラベル付き患者データがモデルで利用できるシナリオにのみ関係していることがわかった。
新しい患者に一般化する際の精度向上策は今後の重要な課題として残されている。
関連論文リスト
- Using Random Effects Machine Learning Algorithms to Identify
Vulnerability to Depression [0.48733623015338234]
本研究では、データ駆動機械学習(ML)手法を用いて、抑うつの最大のリスクでサブグループを分類するのに最も有用な変数を確実に特定できることを実証する。
我々はRE-EMツリーとMERFアルゴリズムを訓練し、それらを従来の線形混合モデル(LMM)と比較した。
論文 参考訳(メタデータ) (2023-07-05T05:18:30Z) - 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) - Deep Temporal Modelling of Clinical Depression through Social Media Text [1.513693945164213]
ユーザの時間的ソーシャルメディア投稿に基づいて,ユーザレベルの臨床うつ病を検出するモデルを構築した。
本モデルでは,うつ病症状に対する医用注釈付きツイートの最大のサンプルをもとに訓練した,うつ病検出(DSD)分類器を用いた。
論文 参考訳(メタデータ) (2022-10-28T18:31:52Z) - Journaling Data for Daily PHQ-2 Depression Prediction and Forecasting [47.93070579578704]
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。
論文 参考訳(メタデータ) (2022-05-06T17:47:05Z) - Identifying and mitigating bias in algorithms used to manage patients in
a pandemic [4.756860520861679]
現実のデータセットを使用して、新型コロナウイルスの死亡率、人工呼吸器の状態、入院状態を予測するために、ロジスティック回帰モデルが作成された。
モデルではバイアス試験の回数が57%減少した。
キャリブレーション後, 予測モデルの平均感度は0.527から0.955に増加した。
論文 参考訳(メタデータ) (2021-10-30T21:10:56Z) - 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) - Achieving Reliable Causal Inference with Data-Mined Variables: A Random
Forest Approach to the Measurement Error Problem [1.5749416770494704]
一般的な実証的戦略は、利用可能なデータから関心のある変数を'マイニング'する予測モデリング手法の適用を含む。
最近の研究は、機械学習モデルからの予測は必然的に不完全であるため、予測変数に基づく計量分析は測定誤差によるバイアスに悩まされる可能性が高いことを強調している。
ランダムフォレストと呼ばれるアンサンブル学習技術を用いて,これらのバイアスを軽減する新しい手法を提案する。
論文 参考訳(メタデータ) (2020-12-19T21:48:23Z) - Increasing the efficiency of randomized trial estimates via linear
adjustment for a prognostic score [59.75318183140857]
ランダム化実験による因果効果の推定は臨床研究の中心である。
歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
論文 参考訳(メタデータ) (2020-12-17T21:10:10Z) - 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) - 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) - Impact of Medical Data Imprecision on Learning Results [9.379890125442333]
医療応用におけるインプレクションが予測結果に与える影響について検討した。
トレーニング済みのモデルを用いて、患者の甲状腺機能亢進症の将来状態を予測する。
論文 参考訳(メタデータ) (2020-07-24T06:54:57Z)
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。