論文の概要: Using Random Effects Machine Learning Algorithms to Identify
Vulnerability to Depression
- arxiv url: http://arxiv.org/abs/2307.02023v1
- Date: Wed, 5 Jul 2023 05:18:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-06 15:01:23.696205
- Title: Using Random Effects Machine Learning Algorithms to Identify
Vulnerability to Depression
- Title（参考訳）: ランダム効果機械学習アルゴリズムによる抑うつの脆弱性の同定
- Authors: Runa Bhaumik and Jonathan Stange
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.48733623015338234
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Background: Reliable prediction of clinical progression over time can improve
the outcomes of depression. Little work has been done integrating various risk
factors for depression, to determine the combinations of factors with the
greatest utility for identifying which individuals are at the greatest risk.
Method: This study demonstrates that data-driven machine learning (ML) methods
such as RE-EM (Random Effects/Expectation Maximization) trees and MERF (Mixed
Effects Random Forest) can be applied to reliably identify variables that have
the greatest utility for classifying subgroups at greatest risk for depression.
185 young adults completed measures of depression risk, including rumination,
worry, negative cognitive styles, cognitive and coping flexibilities, and
negative life events, along with symptoms of depression. We trained RE-EM trees
and MERF algorithms and compared them to traditional linear mixed models (LMMs)
predicting depressive symptoms prospectively and concurrently with
cross-validation. Results: Our results indicated that the RE-EM tree and MERF
methods model complex interactions, identify subgroups of individuals and
predict depression severity comparable to LMM. Further, machine learning models
determined that brooding, negative life events, negative cognitive styles, and
perceived control were the most relevant predictors of future depression
levels. Conclusions: Random effects machine learning models have the potential
for high clinical utility and can be leveraged for interventions to reduce
vulnerability to depression.
- Abstract（参考訳）: 背景: 臨床経過の信頼性の高い予測はうつ病の結果を改善することができる。
抑うつに対する様々なリスク要因を統合する作業はほとんど行われておらず、どの個人が最もリスクが高いかを特定するのに最も有効な要因の組み合わせを決定する。
方法:本研究は,RE-EM(Random Effects/Expectation Maximization)木やMERF(Mixed Effects Random Forest)などの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最も有効な変数を確実に特定できることを示した。
185人の若者がうつ病リスクの対策を完了し、うつ病の症状とともに、反すう、不安、ネガティブな認知スタイル、認知と対処の柔軟性、負の生命の事象を含む。
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。
結果: re-em tree と merf 法は複雑な相互作用をモデル化し, 個体のサブグループを特定し, lmm に匹敵するうつ病重症度を予測する。
さらに、機械学習モデルは、ブローディング、ネガティブライフイベント、ネガティブ認知スタイル、知覚制御が将来の抑うつ状態の最も関連する予測要因であると判断した。
結論: ランダム効果 機械学習モデルは高い臨床応用の可能性を持ち、うつ病の脆弱性を減らすための介入に利用できる。
関連論文リスト
- Physical formula enhanced multi-task learning for pharmacokinetics prediction [54.13787789006417]
AIによる薬物発見の大きな課題は、高品質なデータの不足である。
薬物動態の4つの重要なパラメータを同時に予測するPEMAL法を開発した。
実験の結果,PEMALは一般的なグラフニューラルネットワークに比べてデータ需要を著しく低減することがわかった。
論文 参考訳（メタデータ） (2024-04-16T07:42:55Z) - Assessing ML Classification Algorithms and NLP Techniques for Depression Detection: An Experimental Case Study [0.6524460254566905]
うつ病は世界中で何百万人もの人々に影響を与えており、最も一般的な精神疾患の1つとなっている。
近年の研究では、機械学習(ML)と自然言語処理(NLP)のツールや技術がうつ病の診断に広く用いられていることが証明されている。
しかし, 外傷後ストレス障害 (PTSD) などの他の症状が存在するうつ病検出アプローチの評価には, 依然としていくつかの課題がある。
論文 参考訳（メタデータ） (2024-04-03T19:45:40Z) - The Relationship Between Speech Features Changes When You Get Depressed:
Feature Correlations for Improving Speed and Performance of Depression
Detection [69.88072583383085]
この研究は、抑うつが音声から抽出した特徴間の相関を変化させることを示す。
このような洞察を用いることで、SVMとLSTMに基づく抑うつ検出器のトレーニング速度と性能を向上させることができる。
論文 参考訳（メタデータ） (2023-07-06T09:54:35Z) - Analysis and Evaluation of Explainable Artificial Intelligence on
Suicide Risk Assessment [32.04382293817763]
本研究では,自殺リスク予測における説明可能な人工知能(XAI)技術の有効性について検討した。
データ拡張技術とMLモデルは、関連するリスクを予測するために使用される。
高い収入、高い職業、大学教育を持つ患者は、最もリスクが低い。
論文 参考訳（メタデータ） (2023-03-09T05:11:46Z) - Mixed Effects Random Forests for Personalised Predictions of Clinical
Depression Severity [2.6572038957677657]
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。
論文 参考訳（メタデータ） (2023-01-24T04:50:55Z) - 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) - Benchmarking Heterogeneous Treatment Effect Models through the Lens of
Interpretability [82.29775890542967]
治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。
ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。
我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
論文 参考訳（メタデータ） (2022-06-16T17:59:05Z) - 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) - 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) - Generalized Dilated CNN Models for Depression Detection Using Inverted
Vocal Tract Variables [4.050982413149992]
声帯バイオマーカーを用いた抑うつ検出は高度に研究されている分野である。
既存の研究の発見は主に、結果の一般化性を制限する単一のデータベース上で検証されている。
拡張コニキュラルニューラルネットワークを用いた抑うつ検出のための一般化分類器を提案する。
論文 参考訳（メタデータ） (2020-11-13T03:12:36Z) - Fisher-Schultz Lecture: Generic Machine Learning Inference on
Heterogenous Treatment Effects in Randomized Experiments, with an Application
to Immunization in India [3.3449509626538543]
ランダム化実験における異種効果の重要な特徴を推定し,推定する手法を提案する。
主な特徴は、機械学習プロキシを使用した効果の最良の線形予測器、インパクトグループによってソートされた平均効果、および最も最も最も影響の少ないユニットの平均特性である。
論文 参考訳（メタデータ） (2017-12-13T14:47:57Z)
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。