論文の概要: Cross-platform Prediction of Depression Treatment Outcome Using Location Sensory Data on Smartphones

• arxiv url: http://arxiv.org/abs/2503.07883v1
• Date: Mon, 10 Mar 2025 22:00:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-12 15:42:04.572518
• Title: Cross-platform Prediction of Depression Treatment Outcome Using Location Sensory Data on Smartphones
• Title（参考訳）: スマートフォンにおける位置センサデータを用いた抑うつ治療結果のクロスプラットフォーム予測
• Authors: Soumyashree Sahoo, Chinmaey Shende, Md. Zakir Hossain, Parit Patel, Yushuo Niu, Xinyu Wang, Shweta Ware, Jinbo Bi, Jayesh Kamath, Alexander Russel, Dongjin Song, Qian Yang, Bing Wang,
• Abstract要約: スマートフォンで受動的に収集した位置情報データを用いて治療結果を予測する。 その結果, 位置特徴とベースライン自己申告アンケートスコアは, F1得点を0.67点まで引き上げることが可能であり, 定期的な自己申告アンケートと同等であることがわかった。
• 参考スコア（独自算出の注目度）: 55.992010576087424
• License:
• Abstract: Currently, depression treatment relies on closely monitoring patients response to treatment and adjusting the treatment as needed. Using self-reported or physician-administrated questionnaires to monitor treatment response is, however, burdensome, costly and suffers from recall bias. In this paper, we explore using location sensory data collected passively on smartphones to predict treatment outcome. To address heterogeneous data collection on Android and iOS phones, the two predominant smartphone platforms, we explore using domain adaptation techniques to map their data to a common feature space, and then use the data jointly to train machine learning models. Our results show that this domain adaptation approach can lead to significantly better prediction than that with no domain adaptation. In addition, our results show that using location features and baseline self-reported questionnaire score can lead to F1 score up to 0.67, comparable to that obtained using periodic self-reported questionnaires, indicating that using location data is a promising direction for predicting depression treatment outcome.
• Abstract（参考訳）: 現在、うつ治療は患者の治療に対する反応を綿密に監視し、必要に応じて治療を調整することに依存している。 しかし、自己申告または医師が管理するアンケートを用いて治療反応を監視することは、負担がかかり、コストがかかり、リコールバイアスに悩まされる。 本稿では,スマートフォン上で受動的に収集した位置情報データを用いて治療結果を予測する。 AndroidとiOSのスマートフォン上での不均一なデータ収集に対処するため、2つの主要なスマートフォンプラットフォームは、ドメイン適応技術を使用して、それらのデータを共通の機能空間にマッピングし、そのデータを共同で機械学習モデルをトレーニングする。 以上の結果から,この領域適応手法は,ドメイン適応を伴わない手法よりもはるかに優れた予測を導出できることが示唆された。 さらに, 位置特徴とベースライン自己申告票スコアを用いて, F1得点を0.67点まで引き上げることが, 定期的な自己申告票と同等となり, うつ病治療結果を予測する上で, 位置情報の利用が有望な方向であることが示唆された。

関連論文リスト

• Transfer Learning for Real-time Deployment of a Screening Tool for Depression Detection Using Actigraphy [8.430502131775722]
  本稿では,利用者のアクチグラフィーデータに基づいて,うつ病スクリーニングツールをリアルタイムに展開するために,二次データセットに基づいて訓練されたモデルから移行学習に基づくアプローチを提案する。 プライマリセット上で行った1つの横断検証アプローチの修正版では平均精度が0.96となり、各プライマリセットからのデータはテストのために別々に設定された。
  論文  参考訳（メタデータ） (2023-03-14T12:37:22Z)
• Remote Medication Status Prediction for Individuals with Parkinson's Disease using Time-series Data from Smartphones [75.23250968928578]
  本稿では,パーキンソン病患者のmPowerデータセットを用いて薬剤状態を予測する方法を提案する。 提案手法は,3つの薬物状態を客観的に予測する上で有望な結果を示す。
  論文  参考訳（メタデータ） (2022-07-26T02:08:08Z)
• Depression Diagnosis and Forecast based on Mobile Phone Sensor Data [47.93070579578704]
  これまでの研究では、携帯電話から収集したセンサデータとヒトのうつ状態の相関が示されている。 本研究では,携帯電話データから電話,電話利用,ユーザ活動,GPS機能を含む4種類の受動的特徴を抽出する。 我々は、診断と予測タスクの両方をモデル化するために、主観非依存の10倍のクロスバリデーション設定に長寿命メモリ(LSTM)ネットワークを実装した。
  論文  参考訳（メタデータ） (2022-05-10T10:05:36Z)
• BITES: Balanced Individual Treatment Effect for Survival data [0.0]
  患者予後に対する介入の効果を推定することは、パーソナライズされた医療の重要な側面の1つである。 時間から時間までのデータは、治療最適化にはほとんど使われない。 我々は、治療特異的な半パラメトリックコックス損失と治療バランスの深いディープニューラルネットワークを組み合わせたBITESというアプローチを提案する。
  論文  参考訳（メタデータ） (2022-01-05T10:39:31Z)
• Causal Markov Boundaries [0.0]
  観測データを用いて特徴選択と効果推定を改善する方法を紹介します。 本論文では,マルコフ境界の概念を治療成果ペアに拡張する。
  論文  参考訳（メタデータ） (2021-03-12T22:49:10Z)
• 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)
• 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)
• A Data-Efficient Deep Learning Based Smartphone Application For Detection Of Pulmonary Diseases Using Chest X-rays [0.0]
  アプリはモバイルカメラから撮影したChest X-Rayイメージを入力し、クラウドプラットフォームのAIアーキテクチャにリレーする。 スマートフォンの医師はこのアプリケーションを利用すれば、新型コロナウイルス(COVID-19)の診断に要する時間を大幅に節約できる。
  論文  参考訳（メタデータ） (2020-08-19T04:28:17Z)
• 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。