論文の概要: Predicting Treatment Response in Body Dysmorphic Disorder with Interpretable Machine Learning

• arxiv url: http://arxiv.org/abs/2503.10741v1
• Date: Thu, 13 Mar 2025 17:39:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-17 13:08:53.536819
• Title: Predicting Treatment Response in Body Dysmorphic Disorder with Interpretable Machine Learning
• Title（参考訳）: 解釈型機械学習による身体異形性障害に対する治療反応の予測
• Authors: Omar Costilla-Reyes, Morgan Talbot,
• Abstract要約: 身体異形性障害(Body Dysmorphic Disorder, BDD)は、頻繁に診断される疾患である。 我々は、治療結果を予測するために複数の機械学習アプローチを採用している。 治療の信頼性は最も強力な予測因子として浮上した。
• 参考スコア（独自算出の注目度）: 0.4604003661048266
• License:
• Abstract: Body Dysmorphic Disorder (BDD) is a highly prevalent and frequently underdiagnosed condition characterized by persistent, intrusive preoccupations with perceived defects in physical appearance. In this extended analysis, we employ multiple machine learning approaches to predict treatment outcomes -- specifically treatment response and remission -- with an emphasis on interpretability to ensure clinical relevance and utility. Across the various models investigated, treatment credibility emerged as the most potent predictor, surpassing traditional markers such as baseline symptom severity or comorbid conditions. Notably, while simpler models (e.g., logistic regression and support vector machines) achieved competitive predictive performance, decision tree analyses provided unique insights by revealing clinically interpretable threshold values in credibility scores. These thresholds can serve as practical guideposts for clinicians when tailoring interventions or allocating treatment resources. We further contextualize our findings within the broader literature on BDD, addressing technology-based therapeutics, digital interventions, and the psychosocial determinants of treatment engagement. An extensive array of references situates our results within current research on BDD prevalence, suicidality risks, and digital innovation. Our work underscores the potential of integrating rigorous statistical methodologies with transparent machine learning models. By systematically identifying modifiable predictors -- such as treatment credibility -- we propose a pathway toward more targeted, personalized, and ultimately efficacious interventions for individuals with BDD.
• Abstract（参考訳）: 身体異形性障害(Body Dysmorphic Disorder, BDD)は、身体の外観に異常が認められる、持続的、侵入的な偏見が特徴で、頻繁に診断される病態である。 この拡張分析では、治療結果(特に治療反応と寛解)を予測するために複数の機械学習アプローチを採用し、臨床的妥当性と有用性を保証するための解釈可能性を強調した。 調査された様々なモデル全体で、治療の信頼性は最も強力な予測因子として出現し、ベースライン症状の重症度やコンコービッド条件といった従来のマーカーを上回った。 特に、単純なモデル(例えばロジスティック回帰とサポートベクターマシン)が競合予測性能を達成したのに対して、決定木解析は信頼性スコアで臨床的に解釈可能なしきい値を明らかにすることによって独自の洞察を提供した。 これらの閾値は、介入を調整したり、治療資源を割り当てるときに、臨床医のための実践的なガイドポストとして機能する。 我々はさらに、BDDに関する広範な文献の中で、テクノロジベースの治療、デジタル介入、および治療従事の精神社会的決定要因に対処し、私たちの発見を文脈的に分析する。 BDDの有病率、自殺リスク、デジタルイノベーションに関する現在の研究の中で、さまざまな参考資料が私たちの結果を裏付けています。 我々の研究は、厳密な統計手法と透明な機械学習モデルを統合する可能性を浮き彫りにしている。 治療の信頼性などの修正可能な予測因子を体系的に識別することで、私たちはBDDの個人に対してよりターゲットを絞った、パーソナライズされ、最終的には効果的に介入する経路を提案します。

関連論文リスト

• Causally-informed Deep Learning towards Explainable and Generalizable Outcomes Prediction in Critical Care [11.250103887054912]
  本稿では,因果関係の同定に因果発見を利用した因果予測モデルを提案する。 これらの特徴から, 本手法は6つの臨界劣化に対して優れた精度を達成し, 患者群間での汎用性を向上する。
  論文  参考訳（メタデータ） (2025-02-04T08:43:39Z)
• Towards Equitable ASD Diagnostics: A Comparative Study of Machine and Deep Learning Models Using Behavioral and Facial Data [2.6353853440763113]
  自閉症スペクトラム障害(ASD)は性差によって診断されることが多い。 本研究では, 機械学習モデル, 特にランダムフォレストと畳み込みニューラルネットワークを評価し, ASD 診断の精度を高める。
  論文  参考訳（メタデータ） (2024-11-08T05:26:04Z)
• HypUC: Hyperfine Uncertainty Calibration with Gradient-boosted Corrections for Reliable Regression on Imbalanced Electrocardiograms [3.482894964998886]
  本稿では,医療時系列における不均衡確率回帰の枠組みであるHypUCを提案する。 HypUCは数百万の患者から収集された、多様で現実世界のECGデータセットで評価されている。
  論文  参考訳（メタデータ） (2023-11-23T06:17:31Z)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• Automatic diagnosis of knee osteoarthritis severity using Swin transformer [55.01037422579516]
  変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。 我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
  論文  参考訳（メタデータ） (2023-07-10T09:49:30Z)
• 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)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• Representation Learning for Integrating Multi-domain Outcomes to Optimize Individualized Treatments [6.505217121471555]
  精神疾患の場合、患者の基礎となる精神状態は、観察された測定結果から推測されなければならない、保存されていない潜在的構成物である。 本稿では,患者の精神状態を同時に学習し,各個人に対して最適な治療を推奨する統合学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-30T20:30:31Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)
• Neuro-symbolic Neurodegenerative Disease Modeling as Probabilistic Programmed Deep Kernels [93.58854458951431]
  本稿では、神経変性疾患のパーソナライズされた予測モデリングのための、確率的プログラムによる深層カーネル学習手法を提案する。 我々の分析は、ニューラルネットワークとシンボリック機械学習のアプローチのスペクトルを考慮する。 我々は、アルツハイマー病の予測問題について評価を行い、深層学習を超越した結果を得た。
  論文  参考訳（メタデータ） (2020-09-16T15:16:03Z)

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。