論文の概要: Using Wearable Devices to Improve Chronic PainTreatment among Patients with Opioid Use Disorder

• arxiv url: http://arxiv.org/abs/2511.19577v1
• Date: Mon, 24 Nov 2025 18:19:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-26 17:37:04.107163
• Title: Using Wearable Devices to Improve Chronic PainTreatment among Patients with Opioid Use Disorder
• Title（参考訳）: ウェアラブルデバイスを用いたオピオイド使用障害患者の慢性痛覚改善
• Authors: Abhay Goyal, Navin Kumar, Kimberly DiMeola, Rafael Trujillo, Soorya Ram Shimgekar, Christian Poellabauer, Pi Zonooz, Ermonda Gjoni-Markaj, Declan Barry, Lynn Madden,
• Abstract要約: 慢性痛 (CP) とオピオイド使用障害 (OUD) は一般的で、関連する慢性疾患である。 ウェアラブルデバイスは、複雑な患者の情報を監視し、OUDおよびCPの患者に対して治療開発を通知する可能性がある。 痛みのスパイクを理解するためのウェアラブルデータを用いた大規模言語モデル(LLMs)の応用は、まだ解明されていない。
• 参考スコア（独自算出の注目度）: 2.6425061153797995
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Chronic pain (CP) and opioid use disorder (OUD) are common and interrelated chronic medical conditions. Currently, there is a paucity of evidence-based integrated treatments for CP and OUD among individuals receiving medication for opioid use disorder (MOUD). Wearable devices have the potential to monitor complex patient information and inform treatment development for persons with OUD and CP, including pain variability (e.g., exacerbations of pain or pain spikes) and clinical correlates (e.g., perceived stress). However, the application of large language models (LLMs) with wearable data for understanding pain spikes, remains unexplored. Consequently, the aim of this pilot study was to examine the clinical correlates of pain spikes using a range of AI approaches. We found that machine learning models achieved relatively high accuracy (>0.7) in predicting pain spikes, while LLMs were limited in providing insights on pain spikes. Real-time monitoring through wearable devices, combined with advanced AI models, could facilitate early detection of pain spikes and support personalized interventions that may help mitigate the risk of opioid relapse, improve adherence to MOUD, and enhance the integration of CP and OUD care. Given overall limited LLM performance, these findings highlight the need to develop LLMs which can provide actionable insights in the OUD/CP context.
• Abstract（参考訳）: 慢性痛 (CP) とオピオイド使用障害 (OUD) は一般的で、関連する慢性疾患である。 現在、オピオイド使用障害(MOUD)の治療を受ける患者には、CPとOUDのエビデンスベースの統合治療が多数存在する。 ウェアラブルデバイスは、複雑な患者の情報を監視し、OUDおよびCP患者に対して、痛みの変動(例えば、痛みや痛みのスパイクの悪化)や臨床相関(例えば、ストレス)を含む治療開発を通知する可能性がある。 しかし、痛みのスパイクを理解するためのウェアラブルデータを用いた大規模言語モデル(LLMs)の適用は、まだ検討されていない。 このパイロット研究の目的は、さまざまなAIアプローチを用いて、痛みスパイクの臨床的関連性を検討することである。 機械学習モデルは、痛みスパイクの予測において比較的高い精度(>0.7)を達成したのに対し、LLMは痛みスパイクの洞察を与えるのに限られていた。 ウェアラブルデバイスによるリアルタイム監視と高度なAIモデルを組み合わせることで、痛みのスパイクの早期検出とパーソナライズされた介入をサポートし、オピオイド再発のリスクを軽減し、MOUDへの準拠を改善し、CPとOUDケアの統合を強化することができる。 これらの結果から,OUD/CPコンテキストにおける実用的な洞察を提供するLLMの開発の必要性が浮き彫りになった。

関連論文リスト

• LlaMADRS: Prompting Large Language Models for Interview-Based Depression Assessment [75.44934940580112]
  LlaMADRSは、オープンソースのLarge Language Models(LLM)を利用して、うつ病の重症度評価を自動化する新しいフレームワークである。 本研究は,クリニカルインタヴューの解釈・スコアリングにおけるモデル指導のために,慎重に設計された手がかりを用いたゼロショットプロンプト戦略を用いている。 実世界における236件のインタビューを対象とし,臨床評価と強い相関性を示した。
  論文  参考訳（メタデータ） (2025-01-07T08:49:04Z)
• STIED: A deep learning model for the SpatioTemporal detection of focal Interictal Epileptiform Discharges with MEG [0.08030359871216612]
  脳磁図(MEG)を用いたてんかん間葉状放電(IED)の非侵襲的検出 深層学習(DL)は臨床MEGの実践に革命をもたらす可能性がある。 我々は,2つの畳み込みニューラルネットワークと時間的(1次元時間軸)および空間的(2次元トポグラフィー)特徴を組み合わせた,強力で教師付きなDLアルゴリズムであるSTIEDを開発した。
  論文  参考訳（メタデータ） (2024-10-30T18:41:22Z)
• Detecting and clustering swallow events in esophageal long-term high-resolution manometry [48.688209040613216]
  深達度学習に基づく飲み込み検出法を提案し, 二次性非解離性食道運動障害を正確に同定する。 われわれは,25 LTHRMで計算パイプラインを評価し,医療専門家の注意を喚起した。
  論文  参考訳（メタデータ） (2024-05-02T09:41:31Z)
• Detecting Visual Cues in the Intensive Care Unit and Association with Patient Clinical Status [0.9867627975175174]
  ICUの既存の患者評価は散発的であり、手動で管理されている。 我々はデータ不均衡問題に対処する新しい「マスケッド損失計算」手法を開発した。 634,054フレームのAU推論を行い,顔面AUと臨床的に重要な患者状況との関連性について検討した。
  論文  参考訳（メタデータ） (2023-11-01T15:07:03Z)
• Pain Forecasting using Self-supervised Learning and Patient Phenotyping: An attempt to prevent Opioid Addiction [0.3749861135832073]
  シックル細胞病(Sickle Cell Disease)を治療するためには、将来の患者の痛みの軌跡を予測することが不可欠である。 主に患者の自己申告によって記録されるので,多くの痛み記録を入手して予測モデルを設計することは困難である。 本稿では、時系列データをクラスタリングするための自己教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2023-10-09T18:31:50Z)
• Automatic diagnosis of knee osteoarthritis severity using Swin transformer [55.01037422579516]
  変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。 我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
  論文  参考訳（メタデータ） (2023-07-10T09:49:30Z)
• Pain level and pain-related behaviour classification using GRU-based sparsely-connected RNNs [61.080598804629375]
  慢性的な痛みを持つ人は、特定の身体の動きを無意識に適応させ、怪我や追加の痛みから身を守る。 この相関関係を分析するための専用のベンチマークデータベースが存在しないため、日々の行動に影響を及ぼす可能性のある特定の状況の1つを検討した。 我々は、複数のオートエンコーダを組み込んだゲートリカレントユニット(GRU)と疎結合なリカレントニューラルネットワーク(s-RNN)のアンサンブルを提案した。 本手法は,痛みレベルと痛み関連行動の両方の分類において,最先端のアプローチよりも優れていることを示すいくつかの実験を行った。
  論文  参考訳（メタデータ） (2022-12-20T12:56:28Z)
• SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity Prediction [127.43571146741984]
  薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。 湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。 既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。 SSM-DTAフレームワークについて述べる。
  論文  参考訳（メタデータ） (2022-06-20T14:53:25Z)
• Intelligent Sight and Sound: A Chronic Cancer Pain Dataset [74.77784420691937]
  本稿では,Intelligent Sight and Sound (ISS) 臨床試験の一環として収集された,最初の慢性ガン痛データセットを紹介する。 これまで収集されたデータは29の患者、509のスマートフォンビデオ、189,999のフレーム、そして自己報告された感情と活動の痛みのスコアから成っている。 静的画像とマルチモーダルデータを用いて、自己報告された痛みレベルを予測する。
  論文  参考訳（メタデータ） (2022-04-07T22:14:37Z)

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。