論文の概要: Explainable Counterfactual Reasoning in Depression Medication Selection at Multi-Levels (Personalized and Population)

• arxiv url: http://arxiv.org/abs/2508.17207v1
• Date: Sun, 24 Aug 2025 04:14:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.402751
• Title: Explainable Counterfactual Reasoning in Depression Medication Selection at Multi-Levels (Personalized and Population)
• Title（参考訳）: マルチレベルにおけるうつ病選択における説明可能なカウンターファクト推論(個人化・人口)
• Authors: Xinyu Qin, Mark H. Chignell, Alexandria Greifenberger, Sachinthya Lokuge, Elssa Toumeh, Tia Sternat, Martin Katzman, Lu Wang,
• Abstract要約: 大うつ病(MDD)の症状はハミルトン抑うつ尺度(HAM-D)によって定量化される 本研究は,抗うつ薬選択に対する特定の症状変化の影響を評価するために,対物的説明を伴う説明可能な対物的推論(CFs)を適用した。
• 参考スコア（独自算出の注目度）: 35.91939392446193
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Background: This study investigates how variations in Major Depressive Disorder (MDD) symptoms, quantified by the Hamilton Rating Scale for Depression (HAM-D), causally influence the prescription of SSRIs versus SNRIs. Methods: We applied explainable counterfactual reasoning with counterfactual explanations (CFs) to assess the impact of specific symptom changes on antidepressant choice. Results: Among 17 binary classifiers, Random Forest achieved highest performance (accuracy, F1, precision, recall, ROC-AUC near 0.85). Sample-based CFs revealed both local and global feature importance of individual symptoms in medication selection. Conclusions: Counterfactual reasoning elucidates which MDD symptoms most strongly drive SSRI versus SNRI selection, enhancing interpretability of AI-based clinical decision support systems. Future work should validate these findings on more diverse cohorts and refine algorithms for clinical deployment.
• Abstract（参考訳）: 背景: 本研究は,ハミルトン・レーティング・スケール・フォー・うつ病(HAM-D)で定量化されているメジャー・うつ病(MDD)の症状の変動が, SSRIsとSNRIsの処方薬に因果的に影響を及ぼすかを検討した。 方法: 抗うつ薬選択に対する特定の症状変化の影響を評価するために, 対物的説明(CF)を用いた説明可能な対物的推論を適用した。 結果: バイナリ分類器17種のうち, ランダムフォレストは高い性能(精度, F1, 精度, リコール, ROC-AUC 0.85 付近)を達成した。 薬品選択では,各症状の局所的特徴とグローバル的特徴の両方が有意であった。 結論: MDDの症状がSSRIとSNRIの選択を最も強く推進する要因は,AIに基づく臨床診断支援システムの解釈可能性の向上である。 今後の研究は、これらの発見をより多様なコホートと、臨床展開のための洗練されたアルゴリズムで検証する必要がある。

関連論文リスト

• Unveiling the Landscape of Clinical Depression Assessment: From Behavioral Signatures to Psychiatric Reasoning [43.26860213892083]
  うつ病は世界中の何百万もの人に影響を及ぼす広範な精神疾患である。 ほとんどの研究は、限定的または非クリニカルな検証データに依存しており、実世界の有効性よりも複雑なモデル設計を優先することが多い。 C-MIND (C-MIND) は, 臨床神経精神医学的マルチモーダル診断データセットであり, 実際の病院訪問から2年以上経過した。 参加者は3つの構造化された精神医学タスクを完了し、情報的オーディオ、ビデオ、転写、機能的近赤外分光(fNIRS)信号が記録された専門家臨床医から最終診断を受ける。
  論文  参考訳（メタデータ） (2025-08-06T15:13:24Z)
• Detecting PTSD in Clinical Interviews: A Comparative Analysis of NLP Methods and Large Language Models [6.916082619621498]
  外傷後ストレス障害 (PTSD) は, 臨床現場ではまだ診断されていない。 本研究では,臨床面接書からPTSDを検出するための自然言語処理手法について検討した。
  論文  参考訳（メタデータ） (2025-04-01T22:06:28Z)
• Quantifying Symptom Causality in Clinical Decision Making: An Exploration Using CausaLM [0.0]
  医学的診断に対する現在の機械学習のアプローチは、しばしば症状と疾患の間の相関パターンに依存する。 本研究は,主症状特異的に「ケスト痛み」が診断予測に与える影響について,相関性を超えて検討する。
  論文  参考訳（メタデータ） (2025-03-25T06:59:21Z)
• 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)
• WellDunn: On the Robustness and Explainability of Language Models and Large Language Models in Identifying Wellness Dimensions [46.60244609728416]
  言語モデル (LMs) は, 予後不良のリスクが高まれば, 臨床実習におけるモデルの実用性に対するリトマステストにはならない可能性がある, メンタルヘルスの分野では, 言語モデル (LMs) が提案されている。 ウェルネス次元(WD)の同定におけるLMの堅牢性と説明性に着目した評価設計を提案する。 LM/LLMの4つの驚くべき結果が明らかになった。
  論文  参考訳（メタデータ） (2024-06-17T19:50:40Z)
• The Capability of Large Language Models to Measure Psychiatric Functioning [9.938814639951842]
  Med-PaLM 2は、様々な精神疾患にまたがる精神機能を評価することができる。 最強のパフォーマンスは、標準化された評価に基づく抑うつスコアの予測であった。 その結果,一般臨床言語モデルが精神医学的リスクを柔軟に予測できる可能性が示唆された。
  論文  参考訳（メタデータ） (2023-08-03T15:52:27Z)
• Using Random Effects Machine Learning Algorithms to Identify Vulnerability to Depression [0.48733623015338234]
  本研究では、データ駆動機械学習(ML)手法を用いて、抑うつの最大のリスクでサブグループを分類するのに最も有用な変数を確実に特定できることを実証する。 我々はRE-EMツリーとMERFアルゴリズムを訓練し、それらを従来の線形混合モデル(LMM)と比較した。
  論文  参考訳（メタデータ） (2023-07-05T05:18:30Z)

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。