論文の概要: Predicting Individualized Effects of Internet-Based Treatment for
Genito-Pelvic Pain/Penetration Disorder: Development and Internal Validation
of a Multivariable Decision Tree Model
- arxiv url: http://arxiv.org/abs/2303.08732v1
- Date: Wed, 15 Mar 2023 16:16:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-16 13:04:36.852760
- Title: Predicting Individualized Effects of Internet-Based Treatment for
Genito-Pelvic Pain/Penetration Disorder: Development and Internal Validation
of a Multivariable Decision Tree Model
- Title(参考訳): 遺伝性骨盤痛・穿刺障害に対するインターネット治療の個別化効果予測:多変量決定木モデルの開発と内部検証
- Authors: Anna-Carlotta Zarski, Mathias Harrer, Paula Kuper, Antonia A.
Sprenger, Matthias Berking, David Daniel Ebert
- Abstract要約: Genito-Pelvic Pain/Penetration-Disorderは一般的な疾患であるが、日常治療ではほとんど治療されない。
非応答性は、すべての最先端治療に共通である。
インターネットによる介入により、どの患者グループが最も恩恵を受けると期待されているかは不明だ。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Genito-Pelvic Pain/Penetration-Disorder (GPPPD) is a common disorder but
rarely treated in routine care. Previous research documents that GPPPD symptoms
can be treated effectively using internet-based psychological interventions.
However, non-response remains common for all state-of-the-art treatments and it
is unclear which patient groups are expected to benefit most from an
internet-based intervention. Multivariable prediction models are increasingly
used to identify predictors of heterogeneous treatment effects, and to allocate
treatments with the greatest expected benefits. In this study, we developed and
internally validated a multivariable decision tree model that predicts effects
of an internet-based treatment on a multidimensional composite score of GPPPD
symptoms. Data of a randomized controlled trial comparing the internet-based
intervention to a waitlist control group (N =200) was used to develop a
decision tree model using model-based recursive partitioning. Model performance
was assessed by examining the apparent and bootstrap bias-corrected
performance. The final pruned decision tree consisted of one splitting
variable, joint dyadic coping, based on which two response clusters emerged. No
effect was found for patients with low dyadic coping ($n$=33; $d$=0.12; 95% CI:
-0.57-0.80), while large effects ($d$=1.00; 95%CI: 0.68-1.32; $n$=167) are
predicted for those with high dyadic coping at baseline. The
bootstrap-bias-corrected performance of the model was $R^2$=27.74%
(RMSE=13.22).
- Abstract(参考訳): Genito-Pelvic Pain/Penetration-Disorder (GPPPD) は一般的な疾患であるが,日常治療では稀である。
前回の研究では、gpppdの症状はインターネットベースの心理的介入を用いて効果的に治療できることが示されている。
しかし、非対応は最先端の治療に共通しており、どの患者集団がインターネットベースの介入から最も利益を得られると期待されているかは明らかではない。
多変量予測モデルは、不均一な治療効果の予測因子を同定し、最も期待される利点を持つ治療を割り当てるためにますます使われている。
本研究では,gpppd症状の多次元複合スコアに対するインターネットベース治療の効果を予測する多変量決定木モデルを開発し,内部検証を行った。
インターネットによる介入をウェイトリスト制御群(N=200)と比較したランダム化制御試験のデータを用いて,モデルベース再帰分割を用いた決定木モデルを開発した。
モデル性能は、見かけとブートストラップのバイアス補正性能を調べて評価した。
最後のpruned decision treeは、1つの分割変数であるjoint dyadic copingで構成され、2つの応答クラスタが出現した。
dyadic coping (n$33; $d$=0.12; 95% ci: -0.57-0.80; 95%ci: 0.68-1.32; $n$=167) の患者では効果が認められなかったが、ベースラインでのdyadic copingが高い患者には大きな効果 (d$=1.00; 95%ci: 0.68-1.32; $n$=167) が予測された。
ブートストラップバイアス補正性能はR^2$=27.74%(RMSE=13.22)であった。
関連論文リスト
- Psychotic Relapse Prediction in Schizophrenia Patients using A Mobile
Sensing-based Supervised Deep Learning Model [1.4922888318989764]
モバイルセンシングに基づく行動変化のモデリングは、統合失調症患者の時間的介入に対する精神遅滞を予測できる。
深層学習モデルは、予測に関連する潜在行動の特徴をモデル化することによって、再学習予測のための既存の非深層学習モデルを補完することができる。
本稿では,リラプス予測のためのニューラルネットワークモデルであるRelapsePredNetを提案する。
論文 参考訳(メタデータ) (2022-05-24T17:34:19Z) - PCA-RF: An Efficient Parkinson's Disease Prediction Model based on
Random Forest Classification [3.6704226968275258]
本稿では,パーキンソン病に対する無作為な森林分類を行う病気予測手法を提案する。
このモデルの精度を主成分分析 (PCA) に適用したニューラルネットワーク (ANN) モデルと比較し, 可視差を捉えた。
モデルの精度は最大90%まで向上した。
論文 参考訳(メタデータ) (2022-03-21T18:59:08Z) - Robust Hierarchical Patterns for identifying MDD patients: A Multisite
Study [3.4561220135252264]
大うつ病(MDD)のバイオマーカーとしての階層的スパース接続パターン(h SCP)について検討する。
我々は、静止状態fMRIデータから抽出した機能的接続行列からMDD患者を予測するためのh SCPに基づく新しいモデルを提案する。
本研究の結果は,多様性が予測性能に与える影響を示し,多様性を低減し,コンポーネントの予測・一般化能力を向上させることができる。
論文 参考訳(メタデータ) (2022-02-22T19:40:32Z) - Medical SANSformers: Training self-supervised transformers without
attention for Electronic Medical Records [61.409078231922486]
電子カルテにおける臨床コードモデリングに適した誘導バイアスを具現化した新規な無注意シーケンシャルモデルSANSformersを開発した。
次に、タスク固有の自己監督目標を設計し、その効果を、特に少ないデータ設定で示す。
本研究では,新たなSANSformerアーキテクチャとLSTMモデルとTransformerモデルとの比較を行った。
論文 参考訳(メタデータ) (2021-08-31T08:23:56Z) - An Interpretable Web-based Glioblastoma Multiforme Prognosis Prediction
Tool using Random Forest Model [1.1024591739346292]
治療後1年間のGBM患者の健康状態を推定する予測モデルを提案する。
総計467名のGBM患者の臨床像を13の特徴と2つの経過日で比較検討した。
GBM患者生存の予後因子のトップ3はMGMT遺伝子プロモーター,切除範囲,年齢であった。
論文 参考訳(メタデータ) (2021-08-30T07:56:34Z) - HINT: Hierarchical Interaction Network for Trial Outcome Prediction
Leveraging Web Data [56.53715632642495]
臨床試験は、有効性、安全性、または患者採用の問題により、不確実な結果に直面する。
本稿では,より一般的な臨床試験結果予測のための階層型Interaction Network(HINT)を提案する。
論文 参考訳(メタデータ) (2021-02-08T15:09:07Z) - CDSM -- Casual Inference using Deep Bayesian Dynamic Survival Models [3.9169188005935927]
我々はベイジアン・リカレント・サブネットワークを用いた潜在的結果フレームワークを用いて生存曲線の差を推定する因果的動的生存モデル(CDSM)を開発した。
シミュレーションされたサバイバルデータセットを使用して、CDSMはサンプル寸法、イベントレート、結束および重複のシナリオにわたる良好な因果効果推定性能を示した。
論文 参考訳(メタデータ) (2021-01-26T09:15:49Z) - Adversarial Sample Enhanced Domain Adaptation: A Case Study on
Predictive Modeling with Electronic Health Records [57.75125067744978]
ドメイン適応を容易にするデータ拡張手法を提案する。
逆生成したサンプルはドメイン適応時に使用される。
その結果,本手法の有効性とタスクの一般性が確認された。
論文 参考訳(メタデータ) (2021-01-13T03:20:20Z) - DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting
Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。
DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
論文 参考訳(メタデータ) (2020-10-28T15:05:08Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳(メタデータ) (2020-10-22T02:28:11Z) - DTR Bandit: Learning to Make Response-Adaptive Decisions With Low Regret [59.81290762273153]
動的治療体制 (DTR) はパーソナライズされ適応された多段階の治療計画であり、治療決定を個人の初期特徴に適応させ、その後の各段階における中間結果と特徴に適応させる。
本稿では,探索と搾取を慎重にバランスさせることで,遷移モデルと報酬モデルが線形である場合に,速度-最適後悔を実現する新しいアルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-05-06T13:03:42Z)
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。