論文の概要: Collaborative Management for Chronic Diseases and Depression: A Double Heterogeneity-based Multi-Task Learning Method

• arxiv url: http://arxiv.org/abs/2511.16398v1
• Date: Thu, 20 Nov 2025 14:15:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-21 17:08:52.668733
• Title: Collaborative Management for Chronic Diseases and Depression: A Double Heterogeneity-based Multi-Task Learning Method
• Title（参考訳）: 慢性疾患・うつ病の協調治療 : 二重不均一性に基づくマルチタスク学習法
• Authors: Yidong Chai, Haoxin Liu, Jiaheng Xie, Chaopeng Wang, Xiao Fang,
• Abstract要約: 本研究は、統合的身体・精神医療のための計算ソリューションを提供することにより、健康情報システムに寄与する。 我々は,マルチタスク学習(MTL)問題としてマルチディスリーズアセスメントを概念化し,各疾患アセスメントをタスクとしてモデル化する。 本稿では,3つの革新を通じて基本手法を改善する高度二重不均一性に基づくマルチタスク学習(ADH-MTL)手法を提案する。
• 参考スコア（独自算出の注目度）: 4.17679846179862
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Wearable sensor technologies and deep learning are transforming healthcare management. Yet, most health sensing studies focus narrowly on physical chronic diseases. This overlooks the critical need for joint assessment of comorbid physical chronic diseases and depression, which is essential for collaborative chronic care. We conceptualize multi-disease assessment, including both physical diseases and depression, as a multi-task learning (MTL) problem, where each disease assessment is modeled as a task. This joint formulation leverages inter-disease relationships to improve accuracy, but it also introduces the challenge of double heterogeneity: chronic diseases differ in their manifestation (disease heterogeneity), and patients with the same disease show varied patterns (patient heterogeneity). To address these issues, we first adopt existing techniques and propose a base method. Given the limitations of the base method, we further propose an Advanced Double Heterogeneity-based Multi-Task Learning (ADH-MTL) method that improves the base method through three innovations: (1) group-level modeling to support new patient predictions, (2) a decomposition strategy to reduce model complexity, and (3) a Bayesian network that explicitly captures dependencies while balancing similarities and differences across model components. Empirical evaluations on real-world wearable sensor data demonstrate that ADH-MTL significantly outperforms existing baselines, and each of its innovations is shown to be effective. This study contributes to health information systems by offering a computational solution for integrated physical and mental healthcare and provides design principles for advancing collaborative chronic disease management across the pre-treatment, treatment, and post-treatment phases.
• Abstract（参考訳）: ウェアラブルセンサー技術とディープラーニングは医療管理を変えつつある。 しかし、ほとんどの健康センシング研究は身体的な慢性疾患に焦点を絞っている。 これは、協調的慢性ケアに欠かせない、複合的身体的慢性疾患とうつ病を共同で評価するための重要な必要性を見落としている。 我々は、身体疾患とうつ病の両方を含む多疾患評価をマルチタスク学習(MTL)問題として概念化し、各疾患評価をタスクとしてモデル化する。 この関節の定式化は、疾患間の関係を利用して精度を向上させるが、また、慢性疾患はその発現が異なる(不均一を生じさせる)ことと、同じ疾患の患者が様々なパターン(患者不均一性)を示すという二重不均一性の課題も引き起こす。 これらの課題に対処するために,我々はまず既存の手法を採用し,基本手法を提案する。 さらに,本手法の限界を考慮し,(1)新しい患者予測を支援するグループレベルモデリング,(2)モデル複雑性を低減させる分解戦略,(3)モデルコンポーネント間の類似性や相違性を両立しながら依存性を明示的にキャプチャするベイズネットワークの3つの革新を通じて,基礎手法を改善する高度二重異種性に基づくマルチタスク学習(ADH-MTL)手法を提案する。 実世界のウェアラブルセンサデータに対する実証的な評価は、ADH-MTLが既存のベースラインを著しく上回り、それぞれのイノベーションが効果的であることが示されている。 本研究は、統合的身体・精神医療のための計算ソリューションを提供することにより、健康情報システムに寄与し、前処理、治療、後処理の段階にわたって協調的な慢性疾患管理を促進するための設計原則を提供する。

関連論文リスト

• Integrating Genomics into Multimodal EHR Foundation Models [56.31910745104141]
  本稿では,ポリジェニックリスクスコア(PRS)を基本データモダリティとして統合した,革新的なEHR基盤モデルを提案する。 このフレームワークは、臨床データと遺伝子前置詞の複雑な関係を学習することを目的としている。 このアプローチは、病気の予測、積極的な健康管理、リスク階層化、パーソナライズされた治療戦略に対する新たな洞察を解放するために重要である。
  論文  参考訳（メタデータ） (2025-10-24T15:56:40Z)
• A Semantic Framework for Patient Digital Twins in Chronic Care [0.0]
  患者医療デジタルツイン(PMDT)は、生理的、精神社会的、行動的、ゲノム的な情報をコヒーレントなモデルに統合する。 PMDTはセマンティック・インターオペラビリティを確保し、自動推論をサポートし、さまざまな臨床コンテキストでの再利用を可能にする。 データ断片化とセマンティック標準化のギャップを埋めることによって、PMDTは、次世代デジタルヘルスエコシステムの検証された基盤を提供する。
  論文  参考訳（メタデータ） (2025-10-10T08:34:55Z)
• Optimization of Infectious Disease Intervention Measures Based on Reinforcement Learning - Empirical analysis based on UK COVID-19 epidemic data [1.2637032027754087]
  エージェント・ベース・トランスミッション・モデルに基づく意思決定フレームワークを構築した。 コヴァシムは、詳細で広く使われているエージェントベースの疾患伝達モデルであり、強化学習研究を支援するために修正された。
  論文  参考訳（メタデータ） (2025-05-07T06:23:26Z)
• A Learnable Multi-views Contrastive Framework with Reconstruction Discrepancy for Medical Time-Series [8.741139851597364]
  本稿では、関連するタスクから外部データを取り込み、AE-GANを利用して事前知識を抽出することを提案する。 マルチヘッドアテンション機構を統合し,異なる視点から表現を適応的に学習するフレームワークであるLMCFを紹介する。 3つのターゲットデータセットの実験により、我々の手法が他の7つのベースラインを一貫して上回ることを示した。
  論文  参考訳（メタデータ） (2025-01-30T14:20:11Z)
• Continually Evolved Multimodal Foundation Models for Cancer Prognosis [50.43145292874533]
  がん予後は、患者の予後と生存率を予測する重要なタスクである。 これまでの研究では、臨床ノート、医療画像、ゲノムデータなどの多様なデータモダリティを統合し、補完的な情報を活用している。 既存のアプローチには2つの大きな制限がある。まず、各病院の患者記録など、各種のトレーニングに新しく到着したデータを組み込むことに苦慮する。 第二に、ほとんどのマルチモーダル統合手法は単純化された結合やタスク固有のパイプラインに依存しており、モダリティ間の複雑な相互依存を捉えることができない。
  論文  参考訳（メタデータ） (2025-01-30T06:49:57Z)
• Advancements in Machine Learning and Deep Learning for Early Detection and Management of Mental Health Disorder [1.1779072208948291]
  本研究は,精神疾患の早期診断と治療のための機械学習(ML)およびディープラーニング(DL)手法の開発について概説する。 特に行動評価、遺伝子およびバイオマーカー分析、うつ病、双極性障害、統合失調症などの疾患の診断のための医療画像に重点を置いている。 MLとDLは、方法論上の不整合、データ統合の課題、倫理的懸念に対処しながら、診断精度と治療結果を改善するかを強調している。
  論文  参考訳（メタデータ） (2024-12-09T01:59:49Z)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• An explainable two-dimensional single model deep learning approach for Alzheimer's disease diagnosis and brain atrophy localization [3.9281410693767036]
  本稿では、アルツハイマー病(AD)の自動診断と、sMRIデータから、この疾患に関連する重要な脳領域の局所化について、エンドツーエンドのディープラーニングアプローチを提案する。 提案手法は,AD対認知正常(CN)とプログレッシブMCI(pMCI)と安定MCI(sMCI)の2つの分類タスクに対して,パブリックアクセス可能な2つのデータセットで評価されている。 実験結果から,本手法はマルチモデルや3次元CNN手法など,最先端の手法よりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2021-07-28T07:19:00Z)
• MIMO: Mutual Integration of Patient Journey and Medical Ontology for Healthcare Representation Learning [49.57261599776167]
  本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
  論文  参考訳（メタデータ） (2021-07-20T07:04:52Z)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)

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。