論文の概要: Chronic Stress, Immune Suppression, and Cancer Occurrence: Unveiling the Connection using Survey Data and Predictive Models

• arxiv url: http://arxiv.org/abs/2509.22275v1
• Date: Fri, 26 Sep 2025 12:42:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 20:57:54.421293
• Title: Chronic Stress, Immune Suppression, and Cancer Occurrence: Unveiling the Connection using Survey Data and Predictive Models
• Title（参考訳）: 慢性ストレス・免疫抑制・癌発生--サーベイデータと予測モデルを用いたつながりの解明
• Authors: Teddy Lazebnik, Vered Aharonson,
• Abstract要約: 慢性的なストレスはがんの発生に関係していたが、直接的な因果関係は確立されていない。 ストレス指標,がん歴,自己報告調査による人口統計から変数を用いた予測モデルを開発した。 その結果, ストレス頻度, ストレスレベル, 健康影響の知覚, 癌の発生率との間に有意な因果関係が認められた。
• 参考スコア（独自算出の注目度）: 5.414308305392762
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Chronic stress was implicated in cancer occurrence, but a direct causal connection has not been consistently established. Machine learning and causal modeling offer opportunities to explore complex causal interactions between psychological chronic stress and cancer occurrences. We developed predictive models employing variables from stress indicators, cancer history, and demographic data from self-reported surveys, unveiling the direct and immune suppression mitigated connection between chronic stress and cancer occurrence. The models were corroborated by traditional statistical methods. Our findings indicated significant causal correlations between stress frequency, stress level and perceived health impact, and cancer incidence. Although stress alone showed limited predictive power, integrating socio-demographic and familial cancer history data significantly enhanced model accuracy. These results highlight the multidimensional nature of cancer risk, with stress emerging as a notable factor alongside genetic predisposition. These findings strengthen the case for addressing chronic stress as a modifiable cancer risk factor, supporting its integration into personalized prevention strategies and public health interventions to reduce cancer incidence.
• Abstract（参考訳）: 慢性的なストレスはがんの発生に関係していたが、直接的な因果関係は確立されていない。 機械学習と因果モデリングは、心理的慢性ストレスとがんの発生の間の複雑な因果関係を探求する機会を提供する。 本研究は, ストレス指標, がん歴, および自己申告調査の人口統計データから変数を用いた予測モデルを構築し, 慢性ストレスとがん発生との関係を緩和する直接的および免疫抑制効果を明らかにする。 モデルは従来の統計手法によって裏付けられた。 その結果, ストレス頻度, ストレスレベル, 健康影響の知覚, 癌の発生率との間に有意な因果関係が認められた。 ストレスだけでは予測力は限られていたが、社会デマトグラフィーと家族性癌履歴データの統合はモデル精度を著しく向上させた。 これらの結果は、がんリスクの多次元的性質を浮き彫りにしており、ストレスは遺伝子前置と並んで顕著な要因である。 これらの知見は, 慢性ストレスを癌リスク因子として扱うケースを強化し, パーソナライズされた予防戦略と公衆衛生介入への統合を支援し, がん発生率の低減を図った。

関連論文リスト

• HACSurv: A Hierarchical Copula-Based Approach for Survival Analysis with Dependent Competing Risks [51.95824566163554]
  本稿では,階層型アルキメデスコピュラス構造を学習する生存分析手法であるHACSurvを紹介する。 リスクと検閲の間の依存関係をキャプチャすることで、HACSurvは生存予測の精度を向上させる。
  論文  参考訳（メタデータ） (2024-10-19T18:52:18Z)
• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• Towards a Transportable Causal Network Model Based on Observational Healthcare Data [1.333879175460266]
  本稿では,選択図,不足グラフ,因果発見,事前知識を1つのグラフィカルモデルに組み合わせた新しい手法を提案する。 このモデルは、患者の2つの異なるコホートからなるデータから学習する。 結果として得られた因果ネットワークモデルは、リスク評価、正確性、説明可能性の観点から専門家臨床医によって検証される。
  論文  参考訳（メタデータ） (2023-11-13T13:23:31Z)
• Understanding Breast Cancer Survival: Using Causality and Language Models on Multi-omics Data [23.850817918011863]
  乳がんと診断された患者の生存にゲノムの摂動がどう影響するかを調べるために因果探索アルゴリズムを利用した。 本研究は, 因果発見アルゴリズムを用いた患者の生命予後に関する重要な要因を明らかにするものである。 結果は、バイオメディカル文献に基づいて訓練された言語モデルによって検証される。
  論文  参考訳（メタデータ） (2023-05-28T17:07:46Z)
• Penalized Deep Partially Linear Cox Models with Application to CT Scans of Lung Cancer Patients [42.09584755334577]
  肺がんは世界中のがん死亡の原因であり、効果的な治療法を設計するための死亡リスクを理解することの重要性を強調している。 NLST(National Lung Screening Trial)は、肺がん患者の死亡リスクを定量化するために、CTテクスチャ解析を用いている。 本稿では,SCADペナルティを組み込んで重要なテクスチャ特徴を抽出し,深層ニューラルネットワークを用いてモデルの非パラメトリック成分を推定する,Pentalized Deep partially Linear Cox Model (Penalized DPLC)を提案する。
  論文  参考訳（メタデータ） (2023-03-09T15:38:16Z)
• Deep Learning of Semi-Competing Risk Data via a New Neural Expectation-Maximization Algorithm [3.0524554751041073]
  私たちのモチベーションはボストン肺がん研究(Boston Lung Cancer Study)から来ています。 本稿では,古典的統計的アプローチと機械学習のギャップを埋めるために,ニューラル予測最大化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-12-22T20:38:57Z)
• SurvLatent ODE : A Neural ODE based time-to-event model with competing risks for longitudinal data improves cancer-associated Deep Vein Thrombosis (DVT) prediction [68.8204255655161]
  本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。 そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。 SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
  論文  参考訳（メタデータ） (2022-04-20T17:28:08Z)
• A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
  ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。 また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
  論文  参考訳（メタデータ） (2020-06-08T19:24:54Z)

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。