論文の概要: Transformer Model Detects Antidepressant Use From a Single Night of Sleep, Unlocking an Adherence Biomarker

• arxiv url: http://arxiv.org/abs/2510.10364v1
• Date: Sat, 11 Oct 2025 22:58:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:29.907894
• Title: Transformer Model Detects Antidepressant Use From a Single Night of Sleep, Unlocking an Adherence Biomarker
• Title（参考訳）: 1晩の睡眠から抗うつ薬を検知するトランスフォーマーモデル
• Authors: Ali Mirzazadeh, Simon Cadavid, Kaiwen Zha, Chao Li, Sultan Alzahrani, Manar Alawajy, Joshua Korzenik, Kreshnik Hoti, Charles Reynolds, David Mischoulon, John Winkelman, Maurizio Fava, Dina Katabi,
• Abstract要約: 抗うつ剤の非依存は広範に広がり、再発、入院、自殺リスク、避けられるコストの数十億ドルを駆逐する。 一晩の睡眠から抗うつ薬の摂取を検出する最初の非侵襲バイオマーカーを提示する。 トランスフォーマーベースのモデルは、消費者向けウェアラブルまたは非接触ワイヤレスセンサーからの睡眠データを分析して、抗うつ剤の摂取を推測し、家庭におけるリモート、無努力、日々の付着性評価を可能にする。
• 参考スコア（独自算出の注目度）: 11.573013417794899
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Antidepressant nonadherence is pervasive, driving relapse, hospitalization, suicide risk, and billions in avoidable costs. Clinicians need tools that detect adherence lapses promptly, yet current methods are either invasive (serum assays, neuroimaging) or proxy-based and inaccurate (pill counts, pharmacy refills). We present the first noninvasive biomarker that detects antidepressant intake from a single night of sleep. A transformer-based model analyzes sleep data from a consumer wearable or contactless wireless sensor to infer antidepressant intake, enabling remote, effortless, daily adherence assessment at home. Across six datasets comprising 62,000 nights from >20,000 participants (1,800 antidepressant users), the biomarker achieved AUROC = 0.84, generalized across drug classes, scaled with dose, and remained robust to concomitant psychotropics. Longitudinal monitoring captured real-world initiation, tapering, and lapses. This approach offers objective, scalable adherence surveillance with potential to improve depression care and outcomes.
• Abstract（参考訳）: 抗うつ剤の非依存は広範に広がり、再発、入院、自殺リスク、避けられるコストの数十億ドルを駆逐する。 臨床医はすぐに付着異常を検出するツールを必要とするが、現在の方法は侵襲的(血清アッセイ、神経画像撮影)か、プロキシベースで不正確な(ピル数、薬局の補充)である。 一晩の睡眠から抗うつ薬の摂取を検出する最初の非侵襲バイオマーカーを提示する。 トランスフォーマーベースのモデルは、消費者向けウェアラブルまたは非接触ワイヤレスセンサーからの睡眠データを分析して、抗うつ剤の摂取を推測し、家庭におけるリモート、無努力、日々の付着性評価を可能にする。 2万人(抗うつ薬使用者1,800人)の62,000夜からなる6つのデータセットのうち、バイオマーカーはAUROC = 0.84を達成し、薬物のクラスにまたがって一般化され、服用量で拡張され、精神病薬を併用する頑健な状態を維持した。 時系列モニタリングは現実世界の開始、テーパリング、経過を捉えた。 このアプローチは、客観的でスケーラブルなコンプライアンス監視を提供し、うつ病のケアと成果を改善する可能性がある。

関連論文リスト

• ReDepress: A Cognitive Framework for Detecting Depression Relapse from Social Media [48.56586765769052]
  ReDepressは、リラプスに焦点を当てた最初の臨床的に検証されたソーシャルメディアデータセットである。 我々の枠組みはうつ病の認知理論に基づいており、注意バイアス、解釈バイアス、記憶バイアス、反省などの構造を取り入れている。 本研究は, 実世界のテキストデータにおける心理学的理論を検証し, 早期再発検出のための認知インフォームド・コンピューティング手法の可能性を明らかにするものである。
  論文  参考訳（メタデータ） (2025-09-22T16:33:59Z)
• An Explainable Anomaly Detection Framework for Monitoring Depression and Anxiety Using Consumer Wearable Devices [2.217204868812473]
  ウェアラブルデバイスによる行動と生理の継続的なモニタリングは、うつ病や不安を早期に検出するための、新しい客観的な方法を提供する。 本稿では,一般消費者のウェアラブルデータを用いて,症状の重症度が臨床的に有意に上昇することを示す,説明可能な異常検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-05T21:41:05Z)
• Thermal Imaging and Radar for Remote Sleep Monitoring of Breathing and Apnea [42.00356210257671]
  睡眠モニタリングのためのレーダとサーマルイメージングの初回比較を行った。 熱画像法では,0.99,精度0.68,リコール0.74,F1スコア0.71,クラス内相関0.73が検出された。 マルチモーダル・セットアップを活用して閉塞性および中枢性睡眠時無呼吸を分類するための新しい提案を提案する。
  論文  参考訳（メタデータ） (2024-07-16T17:26:50Z)
• Sleep Activity Recognition and Characterization from Multi-Source Passively Sensed Data [67.60224656603823]
  睡眠活動認識法は、被験者の睡眠覚醒サイクルを評価し、監視し、特徴づけ、行動の変化を検出する指標を提供することができる。 本稿では,スマートフォンから受動的に知覚されたデータを連続的に操作して,睡眠の特徴を識別し,重要な睡眠エピソードを識別する一般的な方法を提案する。 これらの装置は、その用途により、連続的で客観的で非侵襲的な方法で被験者の生体リズムをプロファイルするための優れた代替データ源となっている。
  論文  参考訳（メタデータ） (2023-01-17T15:18:45Z)
• Neural Bandits for Data Mining: Searching for Dangerous Polypharmacy [63.135687276599114]
  一部の多薬局は、不適切とみなされており、死亡や入院などの健康上の有害な結果に関係している可能性がある。 我々は、クレームデータセットを効率的にマイニングし、薬物の組み合わせと健康結果の関係の予測モデルを構築するためのOptimNeuralTS戦略を提案する。 提案手法では,最大72%のPIPを検出でき,平均精度は99%であり,30000タイムステップで検出できる。
  論文  参考訳（メタデータ） (2022-12-10T03:43:23Z)
• Heterogeneous Hidden Markov Models for Sleep Activity Recognition from Multi-Source Passively Sensed Data [67.60224656603823]
  精神科患者の受動的活動監視は、リアルタイムでの行動変化を検出するために不可欠である。 睡眠行動認識は、患者の活動サイクルを表現する行動マーカーである。 スマートフォンから受動的に検出されたデータは、患者の生体リズムに優れた代替手段である。
  論文  参考訳（メタデータ） (2022-11-08T17:29:40Z)
• Remote Medication Status Prediction for Individuals with Parkinson's Disease using Time-series Data from Smartphones [75.23250968928578]
  本稿では,パーキンソン病患者のmPowerデータセットを用いて薬剤状態を予測する方法を提案する。 提案手法は,3つの薬物状態を客観的に予測する上で有望な結果を示す。
  論文  参考訳（メタデータ） (2022-07-26T02:08:08Z)
• Towards Toxic and Narcotic Medication Detection with Rotated Object Detector [7.534414229722703]
  YOLO(一度だけ見える)ベースの物体検出器は、毒性のある麻薬検出タスク用に調整されている。 回転度が0circ$から90circ$までのフレキシブルなアノテーションとマスクマッピングに基づく非最大抑制法を提案する。 実験により、回転したYOLO検出器は密に配列された薬物を識別するのにより適していることが示された。
  論文  参考訳（メタデータ） (2021-10-19T07:46:02Z)
• Anxiety Detection Leveraging Mobile Passive Sensing [53.11661460916551]
  不安障害は、子供と成人の両方に影響を及ぼす最も一般的な精神医学的問題である。 スマートフォンから受動的かつ控えめなデータ収集を活用することは、古典的な方法の代替となるかもしれない。 eWellnessは、個人デバイスのセンサとユーザログデータの完全な適合性を、連続的かつ受動的に追跡するために設計された、実験的なモバイルアプリケーションである。
  論文  参考訳（メタデータ） (2020-08-09T20:22:52Z)

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。