論文の概要: Diagnosing Psychiatric Patients: Can Large Language and Machine Learning Models Perform Effectively in Emergency Cases?

• arxiv url: http://arxiv.org/abs/2509.00026v1
• Date: Wed, 20 Aug 2025 08:42:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-07 09:10:15.249878
• Title: Diagnosing Psychiatric Patients: Can Large Language and Machine Learning Models Perform Effectively in Emergency Cases?
• Title（参考訳）: 精神科患者の診断 : 大規模言語モデルと機械学習モデルは緊急時に効果的に機能するか?
• Authors: Abu Shad Ahammed, Sayeri Mukherjee, Roman Obermaisser,
• Abstract要約: 我々は,従来の機械学習と大規模言語モデル(LLM)が精神科患者をどのように評価できるかについて研究してきた。 救急医療の患者からのデータは、ドイツの救難所から収集された。 Llama 3.1を含む様々な機械学習モデルは、このモデルの予測能力が不健康な精神疾患の患者を識別するための効率的なツールとして役立つかどうかを評価するために使用された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mental disorders are clinically significant patterns of behavior that are associated with stress and/or impairment in social, occupational, or family activities. People suffering from such disorders are often misjudged and poorly diagnosed due to a lack of visible symptoms compared to other health complications. During emergency situations, identifying psychiatric issues is that's why challenging but highly required to save patients. In this paper, we have conducted research on how traditional machine learning and large language models (LLM) can assess these psychiatric patients based on their behavioral patterns to provide a diagnostic assessment. Data from emergency psychiatric patients were collected from a rescue station in Germany. Various machine learning models, including Llama 3.1, were used with rescue patient data to assess if the predictive capabilities of the models can serve as an efficient tool for identifying patients with unhealthy mental disorders, especially in rescue cases.
• Abstract（参考訳）: 精神障害は、社会的、職業的、家族活動におけるストレスや障害に関連する、臨床的に重要な行動パターンである。 このような疾患に苦しむ人々は、他の健康上の合併症と比較して、目に見える症状が欠如しているため、しばしば誤診され、診断が不十分である。 緊急時に精神科の問題を特定できることが、患者を救うのに困難だが非常に必要である理由です。 本稿では,従来の機械学習と大規模言語モデル(LLM)が,それらの行動パターンに基づいてこれらの精神科患者をどのように評価し,診断評価を行うかについて検討した。 救急医療の患者からのデータは、ドイツの救難所から収集された。 Llama 3.1を含む様々な機械学習モデルは、特に救助事件において、不健康な精神疾患の患者を識別するための効果的なツールとして、モデルの予測能力が役立つかどうかを評価するために、救難患者データと共に使用された。

関連論文リスト

• A Comprehensive Review of Datasets for Clinical Mental Health AI Systems [55.67299586253951]
  本稿では,AIを活用した臨床アシスタントの訓練・開発に関連する臨床精神保健データセットの総合的調査を行う。 本調査では, 縦断データの欠如, 文化・言語表現の制限, 一貫性のない収集・注釈基準, 合成データのモダリティの欠如など, 重要なギャップを明らかにした。
  論文  参考訳（メタデータ） (2025-08-13T13:42:35Z)
• TalkDep: Clinically Grounded LLM Personas for Conversation-Centric Depression Screening [7.395612068348526]
  メンタルヘルスサービスは、臨床専門家を育成するための実際のトレーニングデータの可用性を上回っている。 この不足は、トレーニングと評価を支援するシミュレートされた患者や仮想的な患者の開発を動機付けている。 本稿では,患者プロファイルの多様化を図った新しい患者シミュレーションパイプラインであるTalkDepを提案する。
  論文  参考訳（メタデータ） (2025-08-06T09:30:47Z)
• Towards Privacy-aware Mental Health AI Models: Advances, Challenges, and Opportunities [58.61680631581921]
  メンタルヘルス障害は、深い個人的・社会的負担を生じさせるが、従来の診断はリソース集約的でアクセシビリティが制限される。 本稿では、これらの課題を考察し、匿名化、合成データ、プライバシー保護トレーニングを含む解決策を提案する。 臨床的な意思決定をサポートし、メンタルヘルスの結果を改善する、信頼できるプライバシを意識したAIツールを進化させることを目標としている。
  論文  参考訳（メタデータ） (2025-02-01T15:10:02Z)
• MentalArena: Self-play Training of Language Models for Diagnosis and Treatment of Mental Health Disorders [59.515827458631975]
  メンタルヘルス障害は世界で最も深刻な病気の1つである。 プライバシーに関する懸念は、パーソナライズされた治療データのアクセシビリティを制限する。 MentalArenaは、言語モデルをトレーニングするためのセルフプレイフレームワークである。
  論文  参考訳（メタデータ） (2024-10-09T13:06:40Z)
• Empowering Psychotherapy with Large Language Models: Cognitive Distortion Detection through Diagnosis of Thought Prompting [82.64015366154884]
  本研究では,認知的歪み検出の課題について検討し,思考の早期発見(DoT)を提案する。 DoTは、事実と思考を分離するための主観的評価、思考と矛盾する推論プロセスを引き出すための対照的な推論、認知スキーマを要約するスキーマ分析という3つの段階を通して、患者のスピーチの診断を行う。 実験により、DoTは認知的歪み検出のためのChatGPTよりも大幅に改善され、一方で人間の専門家が承認した高品質な合理性を生成することが示された。
  論文  参考訳（メタデータ） (2023-10-11T02:47:21Z)
• Bias Reducing Multitask Learning on Mental Health Prediction [18.32551434711739]
  メンタルヘルスの検出や予測のための機械学習モデルの開発では、研究が増加している。 本研究では,マルチタスク学習に基づくバイアス緩和手法を不安予測モデルに適用し,公平性分析を行うことを目的とする。 分析の結果、我々の不安予測ベースモデルでは、年齢、収入、民族性、そして参加者が米国で生まれたかどうかに偏りが生じていた。
  論文  参考訳（メタデータ） (2022-08-07T02:28:32Z)
• Passive detection of behavioral shifts for suicide attempt prevention [0.0]
  スマートフォンアプリから収集した非侵襲的データから精神科患者の行動変化を検出する非侵襲的機械学習モデルを提案する。 臨床検査の結果から,自殺未遂予防のための早期発見モバイルツールのアイデアが浮き彫りになった。
  論文  参考訳（メタデータ） (2020-11-14T11:44:43Z)

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。