論文の概要: Detecting and explaining postpartum depression in real-time with generative artificial intelligence

• arxiv url: http://arxiv.org/abs/2508.10025v1
• Date: Fri, 08 Aug 2025 07:57:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-15 22:24:48.020853
• Title: Detecting and explaining postpartum depression in real-time with generative artificial intelligence
• Title（参考訳）: 生成人工知能を用いた産後うつ病のリアルタイム検出と説明
• Authors: Silvia García-Méndez, Francisco de Arriba-Pérez,
• Abstract要約: この研究は、自然言語処理、機械学習、大規模言語モデルを組み合わせたインテリジェントなPDDスクリーニングシステムに貢献している。 その結果,すべての評価指標に対するpd検出の90%を達成し,文献における競合する解よりも優れた結果を得た。
• 参考スコア（独自算出の注目度）: 5.635300481123079
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Among the many challenges mothers undergo after childbirth, postpartum depression (PPD) is a severe condition that significantly impacts their mental and physical well-being. Consequently, the rapid detection of ppd and their associated risk factors is critical for in-time assessment and intervention through specialized prevention procedures. Accordingly, this work addresses the need to help practitioners make decisions with the latest technological advancements to enable real-time screening and treatment recommendations. Mainly, our work contributes to an intelligent PPD screening system that combines Natural Language Processing, Machine Learning (ML), and Large Language Models (LLMs) towards an affordable, real-time, and non-invasive free speech analysis. Moreover, it addresses the black box problem since the predictions are described to the end users thanks to the combination of LLMs with interpretable ml models (i.e., tree-based algorithms) using feature importance and natural language. The results obtained are 90 % on ppd detection for all evaluation metrics, outperforming the competing solutions in the literature. Ultimately, our solution contributes to the rapid detection of PPD and their associated risk factors, critical for in-time and proper assessment and intervention.
• Abstract（参考訳）: 出産後に母親が直面する多くの課題の中で、産後うつ病(PPD)は心身の健康に重大な影響を及ぼす重篤な状態である。 したがって、pdとその関連リスク因子の迅速検出は、特別な予防手順によるインタイムアセスメントと介入に不可欠である。 したがって、この研究は、リアルタイムスクリーニングと治療レコメンデーションを可能にする最新の技術進歩で、実践者が意思決定を支援する必要性に対処する。 我々の研究は主に、自然言語処理、機械学習(ML)、大規模言語モデル(LLM)を、安価でリアルタイムで非侵襲的な言論分析に組み合わせたインテリジェントPDスクリーニングシステムに貢献している。 さらに、LLMと解釈可能なmlモデル(木に基づくアルゴリズム)の組み合わせにより、特徴の重要性と自然言語によって予測がエンドユーザーに説明されるため、ブラックボックスの問題に対処する。 その結果,すべての評価指標に対するpd検出の90%を達成し,文献における競合する解よりも優れた結果を得た。 最終的に、我々のソリューションはPDとその関連する危険因子の迅速検出に寄与し、インタイムおよび適切な評価と介入に不可欠である。

関連論文リスト

• Medical Reasoning in the Era of LLMs: A Systematic Review of Enhancement Techniques and Applications [59.721265428780946]
  医学における大きな言語モデル(LLM)は印象的な能力を実現しているが、体系的で透明で検証可能な推論を行う能力に重大なギャップが残っている。 本稿は、この新興分野に関する最初の体系的なレビューを提供する。 本稿では,学習時間戦略とテスト時間メカニズムに分類した推論強化手法の分類法を提案する。
  論文  参考訳（メタデータ） (2025-08-01T14:41:31Z)
• Systematic Evaluation of Machine-Generated Reasoning and PHQ-9 Labeling for Depression Detection Using Large Language Models [5.426680341952808]
  うつ病のような初期のメンタルヘルス検出のための大規模言語モデル(LLM)は、しばしば機械生成データによって最適化される。 本稿では,機械による検出と解釈に対する推論を体系的に評価する。 次に、モデルの推論能力を使用して、パフォーマンスを向上させるための緩和戦略を探索します。
  論文  参考訳（メタデータ） (2025-05-21T16:30:50Z)
• Generating Medically-Informed Explanations for Depression Detection using LLMs [1.325953054381901]
  ソーシャルメディアデータからうつ病を早期に検出することは、タイムリーな介入の貴重な機会となる。 本稿では,LLM-MTD(Large Language Model for Multi-Task Depression Detection)を提案する。
  論文  参考訳（メタデータ） (2025-03-18T19:23:22Z)
• Quantifying the Reasoning Abilities of LLMs on Real-world Clinical Cases [48.87360916431396]
  MedR-Benchは1,453例の構造化患者のベンチマークデータセットで、推論基準を付した注釈付きである。 本稿では,3つの批判的診察勧告,診断決定,治療計画を含む枠組みを提案し,患者のケアジャーニー全体をシミュレートする。 このベンチマークを用いて、DeepSeek-R1、OpenAI-o3-mini、Gemini-2.0-Flash Thinkingなど、最先端の5つのLCMを評価した。
  論文  参考訳（メタデータ） (2025-03-06T18:35:39Z)
• LlaMADRS: Prompting Large Language Models for Interview-Based Depression Assessment [75.44934940580112]
  LlaMADRSは、オープンソースのLarge Language Models(LLM)を利用して、うつ病の重症度評価を自動化する新しいフレームワークである。 本研究は,クリニカルインタヴューの解釈・スコアリングにおけるモデル指導のために,慎重に設計された手がかりを用いたゼロショットプロンプト戦略を用いている。 実世界における236件のインタビューを対象とし,臨床評価と強い相関性を示した。
  論文  参考訳（メタデータ） (2025-01-07T08:49:04Z)
• Leveraging Large Language Models through Natural Language Processing to provide interpretable Machine Learning predictions of mental deterioration in real time [5.635300481123079]
  公式推計によると、世界中で5000万人が認知症に罹患しており、毎年1000万人の新しい患者が増えている。 この目的のために、人工知能と計算言語学は自然言語分析、パーソナライズされたアセスメント、モニタリング、治療に活用することができる。 この仕事には、手頃で柔軟な、非侵襲的でパーソナライズされた診断システムを提供しています。
  論文  参考訳（メタデータ） (2024-09-05T09:27:05Z)
• Assessing ML Classification Algorithms and NLP Techniques for Depression Detection: An Experimental Case Study [0.6524460254566905]
  うつ病は世界中で何百万人もの人々に影響を与えており、最も一般的な精神疾患の1つとなっている。 近年の研究では、機械学習(ML)と自然言語処理(NLP)のツールや技術がうつ病の診断に広く用いられていることが証明されている。 しかし, 外傷後ストレス障害 (PTSD) などの他の症状が存在するうつ病検出アプローチの評価には, 依然としていくつかの課題がある。
  論文  参考訳（メタデータ） (2024-04-03T19:45:40Z)
• 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)
• Clairvoyance: A Pipeline Toolkit for Medical Time Series [95.22483029602921]
  時系列学習は、データ駆動の*クリニカルな意思決定支援のパンとバターである* Clairvoyanceは、ソフトウェアツールキットとして機能する、統合されたエンドツーエンドのオートMLフレンドリなパイプラインを提案する。 Clairvoyanceは、臨床時系列MLのための包括的で自動化可能なパイプラインの生存可能性を示す最初のものである。
  論文  参考訳（メタデータ） (2023-10-28T12:08:03Z)
• Self-Verification Improves Few-Shot Clinical Information Extraction [73.6905567014859]
  大規模言語モデル (LLMs) は、数発のテキスト内学習を通じて臨床キュレーションを加速する可能性を示している。 正確性や解釈可能性に関する問題、特に健康のようなミッションクリティカルな領域ではまだ苦戦している。 本稿では,自己検証を用いた汎用的な緩和フレームワークについて検討する。このフレームワークはLLMを利用して,自己抽出のための証明を提供し,その出力をチェックする。
  論文  参考訳（メタデータ） (2023-05-30T22:05:11Z)
• Predicting Adverse Neonatal Outcomes for Preterm Neonates with Multi-Task Learning [51.487856868285995]
  われわれはまず, 3つの不良新生児結果の相関関係を解析し, マルチタスク学習(MTL)問題として複数の新生児結果の診断を定式化する。 特に、MTLフレームワークは、共有された隠れレイヤと複数のタスク固有のブランチを含んでいる。
  論文  参考訳（メタデータ） (2023-03-28T00:44:06Z)

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。