論文の概要: Application of Artificial Intelligence in Schizophrenia Rehabilitation Management: Systematic Literature Review
- arxiv url: http://arxiv.org/abs/2405.10883v1
- Date: Fri, 17 May 2024 16:20:34 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-20 15:34:03.818440
- Title: Application of Artificial Intelligence in Schizophrenia Rehabilitation Management: Systematic Literature Review
- Title（参考訳）: 統合失調症リハビリテーションマネジメントにおける人工知能の応用:体系的文献レビュー
- Authors: Hongyi Yang, Fangyuan Chang, Dian Zhu, Muroi Fumie, Zhao Liu,
- Abstract要約: 本総説は統合失調症患者のリハビリテーション管理における人工知能(AI)の現状と展望を評価することを目的としている。
2012年から現在までの70の研究を、メンタルヘルスの介入と管理における応用、技術カテゴリ、製品、データタイプに焦点をあてて選定した。
その結果, 症状モニタリング, 再発リスク予測, リハビリテーション治療において, 生態的瞬間的評価, 行動的, 音声的データを分析することでAIを広く活用できることが示唆された。
- 参考スコア（独自算出の注目度）: 4.619934969700147
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This review aims to systematically assess the current status and prospects of artificial intelligence (AI) in the rehabilitation management of patients with schizophrenia and their impact on the rehabilitation process. We selected 70 studies from 2012 to the present, focusing on application, technology categories, products, and data types of machine learning, deep learning, reinforcement learning, and other technologies in mental health interventions and management. The results indicate that AI can be widely used in symptom monitoring, relapse risk prediction, and rehabilitation treatment by analyzing ecological momentary assessment, behavioral, and speech data. This review further explores the potential challenges and future directions of emerging products, technologies, and analytical methods based on AI, such as social media analysis, serious games, and large language models in rehabilitation. In summary, this study systematically reviews the application status of AI in schizophrenia rehabilitation management and provides valuable insights and recommendations for future research paths.
- Abstract（参考訳）: 本稿では,統合失調症患者のリハビリテーション管理における人工知能(AI)の現状と今後の展望を体系的に評価することを目的とする。
我々は2012年から現在までの70の研究を選定し、メンタルヘルスの介入や管理における機械学習、ディープラーニング、強化学習、その他の技術の適用、技術カテゴリ、製品、データタイプに焦点を当てた。
その結果, 症状モニタリング, 再発リスク予測, リハビリテーション治療において, 生態的瞬間的評価, 行動的, 音声的データを分析することでAIを広く活用できることが示唆された。
このレビューでは、ソーシャルメディア分析、真剣なゲーム、リハビリテーションにおける大規模言語モデルなど、AIに基づく新興製品、技術、分析手法の潜在的な課題と今後の方向性について検討する。
本研究は、統合失調症リハビリテーションにおけるAIの適用状況を体系的にレビューし、今後の研究経路について貴重な洞察と勧告を提供する。
関連論文リスト
- Artificial intelligence-enabled detection and assessment of Parkinson's disease using multimodal data: A survey [2.06242362470764]
現在、パーキンソン病の診断、重症度の評価、進行の追跡に有効なバイオマーカーは存在しない。
現在、多くのAIアルゴリズムがPD診断と治療に使われており、多モードおよび異種疾患の症状データに基づいて様々な分類タスクを実行することができる。
PDの可能性を予測し、個人または複数の症状の重症度を評価し、早期発見を支援し、リハビリテーションと治療効果を評価することを含む、表現力のあるフィードバックを提供する。
論文 参考訳（メタデータ） (2025-02-15T07:26:52Z) - Analyzing the Impact of AI Tools on Student Study Habits and Academic Performance [0.0]
この研究は、AIツールがパーソナライズされた学習、適応テスト調整をサポートし、リアルタイムの教室分析を提供する方法に焦点を当てている。
学生のフィードバックはこれらの特徴に対する強い支持を示し、GPAの増加とともに研究時間を大幅に短縮した。
これらのメリットにもかかわらず、AIへの過度依存や、AIと従来の教育方法を統合することの難しさといった課題も特定された。
論文 参考訳（メタデータ） (2024-12-03T04:51:57Z) - Artificial intelligence techniques in inherited retinal diseases: A review [19.107474958408847]
遺伝性網膜疾患(英: InheritedRetinal disease、IRD)は、進行性視力低下を引き起こす多様な遺伝性疾患群であり、労働年齢層の視覚障害の主要な原因である。
人工知能(AI)の最近の進歩は、これらの課題に対する有望な解決策を提供する。
このレビューは既存の研究を統合し、ギャップを特定し、IRDの診断と管理におけるAIの可能性の概要を提供する。
論文 参考訳（メタデータ） (2024-10-10T03:14:51Z) - A Survey of Models for Cognitive Diagnosis: New Developments and Future Directions [66.40362209055023]
本研究の目的は,認知診断の現在のモデルについて,機械学習を用いた新たな展開に注目した調査を行うことである。
モデル構造,パラメータ推定アルゴリズム,モデル評価方法,適用例を比較して,認知診断モデルの最近の傾向を概観する。
論文 参考訳（メタデータ） (2024-07-07T18:02:00Z) - AI for the prediction of early stages of Alzheimer's disease from neuroimaging biomarkers -- A narrative review of a growing field [0.0]
構造MRIとPET画像を用いた単一モダリティ研究はADの分類において高い精度を示している。
複数のニューロイメージング技術とバイオマーカーを統合するマルチモダリティ研究は、性能と堅牢性を改善した。
課題は、データの標準化、モデル解釈可能性、一般化可能性、臨床統合、倫理的考察にある。
論文 参考訳（メタデータ） (2024-06-25T09:22:53Z) - A Survey of Artificial Intelligence in Gait-Based Neurodegenerative Disease Diagnosis [51.07114445705692]
神経変性疾患(神経変性疾患、ND)は、伝統的に医学的診断とモニタリングのために広範囲の医療資源と人的努力を必要とする。
重要な疾患関連運動症状として、ヒトの歩行を利用して異なるNDを特徴づけることができる。
人工知能(AI)モデルの現在の進歩は、NDの識別と分類のための自動歩行分析を可能にする。
論文 参考訳（メタデータ） (2024-05-21T06:44:40Z) - Unmasking Biases and Navigating Pitfalls in the Ophthalmic Artificial
Intelligence Lifecycle: A Review [3.1929071422400446]
この記事では、AIライフサイクルを7つのステップに分割する。
データ収集; モデルタスクの定義; データ前処理とラベル付け; モデル開発; モデル評価と検証; デプロイメント。
最後に、デプロイ後の評価、監視、システムリカレーションを行い、各ステップにおける害のリスクと、それらを緩和するための戦略を掘り下げます。
論文 参考訳（メタデータ） (2023-10-08T03:49:42Z) - Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。
アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
論文 参考訳（メタデータ） (2023-05-25T16:29:16Z) - Safe AI for health and beyond -- Monitoring to transform a health
service [51.8524501805308]
機械学習アルゴリズムの出力を監視するために必要なインフラストラクチャを評価する。
モデルのモニタリングと更新の例を示す2つのシナリオを提示します。
論文 参考訳（メタデータ） (2023-03-02T17:27:45Z) - ImDrug: A Benchmark for Deep Imbalanced Learning in AI-aided Drug
Discovery [79.08833067391093]
現実世界の医薬品のデータセットは、しばしば高度に不均衡な分布を示す。
ImDrugはオープンソースのPythonライブラリを備えたベンチマークで、4つの不均衡設定、11のAI対応データセット、54の学習タスク、16のベースラインアルゴリズムで構成されています。
ドラッグ発見パイプラインの幅広い範囲にまたがる問題やソリューションに対して、アクセス可能でカスタマイズ可能なテストベッドを提供する。
論文 参考訳（メタデータ） (2022-09-16T13:35:57Z) - Hierarchical Reinforcement Learning for Automatic Disease Diagnosis [52.111516253474285]
政策学習のための対話システムに2段階の階層的な政策構造を統合することを提案する。
提案した政策構造は,多くの疾患や症状を含む診断問題に対処することができる。
論文 参考訳（メタデータ） (2020-04-29T15:02:41Z)
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。