論文の概要: Machine Learning Applications Related to Suicide in Military and Veterans: A Scoping Literature Review

• arxiv url: http://arxiv.org/abs/2505.12220v1
• Date: Sun, 18 May 2025 03:38:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:11.101472
• Title: Machine Learning Applications Related to Suicide in Military and Veterans: A Scoping Literature Review
• Title（参考訳）: 軍事・退役軍人の自殺に関連する機械学習応用:スコーピング文献レビュー
• Authors: Yuhan Zhang, Yishu Wei, Yanshan Wang, Yunyu Xiao, COL, Ronald K. Poropatich, Gretchen L. Haas, Yiye Zhang, Chunhua Weng, Jinze Liu, Lisa A. Brenner, James M. Bjork, Yifan Peng,
• Abstract要約: 自殺は、現役軍人や退役軍人の死亡の主な予防可能な原因の1つである。 機械学習技術は、最近この分野で有望な成果を上げている。
• 参考スコア（独自算出の注目度）: 15.581887722451697
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Suicide remains one of the main preventable causes of death among active service members and veterans. Early detection and prediction are crucial in suicide prevention. Machine learning techniques have yielded promising results in this area recently. This study aims to assess and summarize current research and provides a comprehensive review regarding the application of machine learning techniques in assessing and predicting suicidal ideation, attempts, and mortality among members of military and veteran populations. A keyword search using PubMed, IEEE, ACM, and Google Scholar was conducted, and the PRISMA protocol was adopted for relevant study selection. Thirty-two articles met the inclusion criteria. These studies consistently identified risk factors relevant to mental health issues such as depression, post-traumatic stress disorder (PTSD), suicidal ideation, prior attempts, physical health problems, and demographic characteristics. Machine learning models applied in this area have demonstrated reasonable predictive accuracy. However, additional research gaps still exist. First, many studies have overlooked metrics that distinguish between false positives and negatives, such as positive predictive value and negative predictive value, which are crucial in the context of suicide prevention policies. Second, more dedicated approaches to handling survival and longitudinal data should be explored. Lastly, most studies focused on machine learning methods, with limited discussion of their connection to clinical rationales. In summary, machine learning analyses have identified a wide range of risk factors associated with suicide in military populations. The diversity and complexity of these factors also demonstrates that effective prevention strategies must be comprehensive and flexible.
• Abstract（参考訳）: 自殺は、現役軍人や退役軍人の死亡の主な予防可能な原因の1つである。 早期発見と予知は自殺予防に不可欠である。 機械学習技術は、最近この分野で有望な成果を上げている。 本研究は、現在の研究を評価、要約することを目的としており、軍人および退役軍人の自殺観念、試み、死亡率の評価・予測における機械学習技術の応用に関する総合的なレビューを提供する。 PubMed, IEEE, ACM, Google Scholarを用いたキーワード検索を行い, PRISMAプロトコルを適用した。 含意基準を満たした記事32件。 これらの研究は、うつ病、外傷後ストレス障害(PTSD)、自殺観念、以前の試み、身体的健康問題、人口統計学的特徴などのメンタルヘルス問題に関連するリスク要因を一貫して特定した。 この領域で適用された機械学習モデルは、合理的な予測精度を示している。 しかし、さらなる研究のギャップが残っている。 第一に、多くの研究は、自殺予防政策の文脈において不可欠である正の予測値や負の予測値など、偽陽性と負の区別の指標を見落としてきた。 第二に、生存率と長手データを扱うためのより専用のアプローチを検討する必要がある。 最後に、ほとんどの研究は機械学習の手法に焦点を合わせ、臨床理論的根拠との関係について限定的な議論を行った。 要約すると、機械学習分析は、軍人の自殺に関連する幅広い危険因子を特定している。 これらの要因の多様性と複雑さは、効果的な予防戦略が包括的で柔軟でなければならないことも示している。

関連論文リスト

• Uncertainty-aware abstention in medical diagnosis based on medical texts [87.88110503208016]
  本研究は,AI支援医療診断における信頼性の重要課題について論じる。 本研究は,診断に自信がなければ,診断システムによる意思決定の回避を可能にする選択予測手法に焦点をあてる。 我々は、選択予測タスクにおける信頼性を高めるための新しい最先端手法であるHUQ-2を紹介する。
  論文  参考訳（メタデータ） (2025-02-25T10:15:21Z)
• An Exploratory Deep Learning Approach for Predicting Subsequent Suicidal Acts in Chinese Psychological Support Hotlines [13.59130559079134]
  自殺リスク評価のためのスケールベースの予測手法の精度は、オペレーターの専門性によって大きく異なる可能性がある。 本研究は,中国における自殺リスクを予測するために,長期音声データにディープラーニングを適用した最初の事例である。
  論文  参考訳（メタデータ） (2024-08-29T11:51:41Z)
• SOS-1K: A Fine-grained Suicide Risk Classification Dataset for Chinese Social Media Analysis [22.709733830774788]
  本研究では,自殺リスクの詳細な分類を目的とした,中国のソーシャルメディアデータセットを提案する。 事前訓練した7つのモデルについて, 自殺リスクが高い, 自殺リスクが少ない, 自殺リスクの細かい分類が0～10の2つのタスクで評価された。 ディープラーニングモデルは高い自殺リスクと低い自殺リスクを区別する上で優れた性能を示し、最良のモデルはF1スコア88.39%である。
  論文  参考訳（メタデータ） (2024-04-19T06:58:51Z)
• Non-Invasive Suicide Risk Prediction Through Speech Analysis [74.8396086718266]
  自動自殺リスク評価のための非侵襲的音声ベースアプローチを提案する。 我々は、wav2vec、解釈可能な音声・音響特徴、深層学習に基づくスペクトル表現の3つの特徴セットを抽出する。 我々の最も効果的な音声モデルは、6.6.2,%$のバランスの取れた精度を達成する。
  論文  参考訳（メタデータ） (2024-04-18T12:33:57Z)
• Depression Detection on Social Media with Large Language Models [23.075317886505193]
  抑うつ検出は、ソーシャルメディア上の投稿履歴を分析して、個人が抑うつに苦しむかどうかを判断することを目的としている。 本稿では,医学的知識と大規模言語モデルの最近の進歩を融合した,DORISと呼ばれる新規なうつ病検出システムを提案する。
  論文  参考訳（メタデータ） (2024-03-16T01:01:16Z)
• Survey on Adversarial Attack and Defense for Medical Image Analysis: Methods and Challenges [64.63744409431001]
  医療画像解析における敵攻撃・防衛の進歩に関する総合的な調査を報告する。 公正な比較のために、逆向きに堅牢な診断モデルのための新しいベンチマークを構築した。
  論文  参考訳（メタデータ） (2023-03-24T16:38:58Z)
• Handwriting and Drawing for Depression Detection: A Preliminary Study [53.11777541341063]
  精神健康に対する短期的コビデンスの影響は、不安や抑うつ症状の顕著な増加であった。 本研究の目的は、健康な人とうつ病患者を識別するために、オンライン手書き・図面解析という新しいツールを使用することである。
  論文  参考訳（メタデータ） (2023-02-05T22:33:49Z)
• Quantifying the Suicidal Tendency on Social Media: A Survey [0.0]
  自殺は早産だが予防可能な死因の1つである。 近年の研究では、ソーシャルメディアデータのマイニングが、利用者の自殺傾向の定量化に役立っていることが示されている。 本書は、精神医療の分類を解明し、ソーシャルメディアデータにおける自殺傾向の定量化の可能性を検討するための最近の試みを強調している。
  論文  参考訳（メタデータ） (2021-10-04T12:26:14Z)
• 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)
• Survival Modeling of Suicide Risk with Rare and Uncertain Diagnoses [15.732431764583323]
  我々は,自殺未遂により入院し,後に退院した患者に対して,その後の自殺未遂のリスクを調査するために医療クレームデータを用いた。 疑わしい」自殺未遂の約20%は、傷害や毒の外部原因を示す診断コードから特定される。
  論文  参考訳（メタデータ） (2020-09-05T20:47:16Z)

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。