論文の概要: Complex Dynamics in Psychological Data: Mapping Individual Symptom Trajectories to Group-Level Patterns
- arxiv url: http://arxiv.org/abs/2507.14161v1
- Date: Mon, 07 Jul 2025 16:38:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-27 08:26:15.930004
- Title: Complex Dynamics in Psychological Data: Mapping Individual Symptom Trajectories to Group-Level Patterns
- Title（参考訳）: 心理データにおける複雑なダイナミクス:個々の症状軌跡をグループレベルパターンにマッピングする
- Authors: Eleonora Vitanza, Pietro DeLellis, Chiara Mocenni, Manuel Ruiz Marin,
- Abstract要約: 本研究では、因果推論、グラフ解析、時間的複雑性測定、機械学習を統合して、個々の症状軌跡が有意義な診断パターンを明らかにすることができるかどうかを検討する。
一般不安障害(GAD)および/またはメジャーうつ病(MDD)に罹患したN=45人の縦断的データセットの検査を行った。
新しいデータセットは、症状力学の分類において91%の精度を示し、効果的な診断支援ツールであることが証明された。
- 参考スコア（独自算出の注目度）: 0.18749305679160366
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This study integrates causal inference, graph analysis, temporal complexity measures, and machine learning to examine whether individual symptom trajectories can reveal meaningful diagnostic patterns. Testing on a longitudinal dataset of N=45 individuals affected by General Anxiety Disorder (GAD) and/or Major Depressive Disorder (MDD) derived from Fisher et al. 2017, we propose a novel pipeline for the analysis of the temporal dynamics of psychopathological symptoms. First, we employ the PCMCI+ algorithm with nonparametric independence test to determine the causal network of nonlinear dependencies between symptoms in individuals with different mental disorders. We found that the PCMCI+ effectively highlights the individual peculiarities of each symptom network, which could be leveraged towards personalized therapies. At the same time, aggregating the networks by diagnosis sheds light to disorder-specific causal mechanisms, in agreement with previous psychopathological literature. Then, we enrich the dataset by computing complexity-based measures (e.g. entropy, fractal dimension, recurrence) from the symptom time series, and feed it to a suitably selected machine learning algorithm to aid the diagnosis of each individual. The new dataset yields 91% accuracy in the classification of the symptom dynamics, proving to be an effective diagnostic support tool. Overall, these findings highlight how integrating causal modeling and temporal complexity can enhance diagnostic differentiation, offering a principled, data-driven foundation for both personalized assessment in clinical psychology and structural advances in psychological research.
- Abstract（参考訳）: 本研究では、因果推論、グラフ解析、時間的複雑性測定、機械学習を統合して、個々の症状軌跡が有意義な診断パターンを明らかにすることができるかどうかを検討する。
一般不安障害 (GAD) および大うつ病 (MDD) に罹患したN=45人の縦断的データセットをFisher et al 2017から抽出し, 精神病理学的症状の時間的動態を解析するための新しいパイプラインを提案する。
まず,非パラメトリック独立性テストを用いたPCMCI+アルゴリズムを用いて,異なる精神疾患を有する個人における症状間の非線形依存の因果ネットワークを決定する。
その結果,PCMCI+は各症状ネットワークの特徴を効果的に強調し,パーソナライズされた治療に活用できることが判明した。
同時に、診断によるネットワークの集約は、過去の精神病理学的文献と一致して、障害特異的因果関係のメカニズムに光を当てる。
次に,症状時系列から複雑性に基づく測度(例えばエントロピー,フラクタル次元,再発)を計算し,適切に選択された機械学習アルゴリズムに入力し,個々の診断を支援する。
新しいデータセットは、症状力学の分類において91%の精度を示し、効果的な診断支援ツールであることが証明された。
これらの知見は全体として、因果モデリングと時間的複雑さの統合が、診断の分化をいかに促進するかを強調し、臨床心理学におけるパーソナライズされた評価と心理学研究における構造的進歩の両方のための、原則化されたデータ駆動基盤を提供する。
関連論文リスト
- A Retrieval-Augmented Multi-Agent Framework for Psychiatry Diagnosis [44.4032296111169]
MoodAngelsは、気分障害の診断のための最初の特殊なマルチエージェントフレームワークである。
MoodSynは、合成精神医学の1,173件のオープンソースデータセットである。
論文 参考訳（メタデータ） (2025-06-04T09:18:25Z) - Self-Explaining Hypergraph Neural Networks for Diagnosis Prediction [45.89562183034469]
既存のディープラーニング診断予測モデルと本質的な解釈性は、過去の診断や病院訪問の度に注意重みを割り当てることが多い。
我々は、パーソナライズされた簡潔で忠実な説明を提供するように設計された、自己説明型ハイパーグラフニューラルネットワークモデルSHyを紹介する。
SHyは高次疾患の相互作用を捉え、パーソナライズされた説明として異なる時間的表現型を抽出する。
論文 参考訳（メタデータ） (2025-02-15T06:33:02Z) - Multimodal Data-Driven Classification of Mental Disorders: A Comprehensive Approach to Diagnosing Depression, Anxiety, and Schizophrenia [0.9297614330263184]
本研究では、統合失調症、うつ病、不安などの精神疾患を診断するためのマルチモーダルデータ統合の可能性を検討する。
Apache Sparkと畳み込みニューラルネットワーク(CNN)を使用して、ビッグデータ環境のためのデータ駆動型分類パイプラインが開発された。
コヒーレンスの特徴の重要性は比較分析によって強調され、分類精度とロバスト性に大きな改善が見られた。
論文 参考訳（メタデータ） (2025-02-06T10:30:13Z) - Diagnosis driven Anomaly Detection for CPS [44.97616703648182]
本稿では、深層学習に基づく異常検出を利用して、一貫性に基づく診断(CBD)のための入力を生成する手法を提案する。
我々は、シミュレーションと実世界のCPSデータセットに対する我々のアプローチを評価し、我々のモデルは、他の最先端モデルと比較して強い性能を示す。
論文 参考訳（メタデータ） (2023-11-27T15:34:40Z) - Stroke recovery phenotyping through network trajectory approaches and
graph neural networks [0.966840768820136]
トラジェクトリプロファイルクラスタリング (TPC) 法を用いて, NINDS tPAトライアルのデータを分析し, 異なる脳卒中回復パターンを同定する。
臨床的に関連のある脳卒中症候群と一致した3つの異なる脳卒中軌跡について検討した。
論文 参考訳（メタデータ） (2021-09-29T18:46:08Z) - Inheritance-guided Hierarchical Assignment for Clinical Automatic
Diagnosis [50.15205065710629]
臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。
本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
論文 参考訳（メタデータ） (2021-01-27T13:16:51Z) - A Predictive Visual Analytics System for Studying Neurodegenerative
Disease based on DTI Fiber Tracts [20.879437896802408]
本稿では,DTIファイバートラクションデータとそれに対応する統計情報に基づいて,患者グループを対象としたインテリジェントな視覚分析システムを提案する。
システムのAI拡張インターフェースは、ユーザを組織的で総合的な分析空間を通じてガイドする。
本稿では,Parkinson's Progression Markers Initiativeの研究データベースから得られた実データを用いて,いくつかのケーススタディを行う。
論文 参考訳（メタデータ） (2020-10-13T06:34:45Z) - Trajectories, bifurcations and pseudotime in large clinical datasets:
applications to myocardial infarction and diabetes data [94.37521840642141]
混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。
この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
論文 参考訳（メタデータ） (2020-07-07T21:04:55Z) - Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using
Deep Multiple-Instance Learning [59.74684475991192]
パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。
PD症状には、震動、剛性、ブレイキネジアがある。
本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
論文 参考訳（メタデータ） (2020-05-06T09:02:30Z) - Learning Dynamic and Personalized Comorbidity Networks from Event Data
using Deep Diffusion Processes [102.02672176520382]
コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。
電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。
我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
論文 参考訳（メタデータ） (2020-01-08T15:47:08Z)
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。