論文の概要: CoDaS: AI Co-Data-Scientist for Biomarker Discovery via Wearable Sensors

• arxiv url: http://arxiv.org/abs/2604.14615v1
• Date: Thu, 16 Apr 2026 04:47:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 21:29:31.7252
• Title: CoDaS: AI Co-Data-Scientist for Biomarker Discovery via Wearable Sensors
• Title（参考訳）: CoDaS: ウェアラブルセンサーによるバイオマーカー発見のためのAIデータサイエンティスト
• Authors: Yubin Kim, Salman Rahman, Samuel Schmidgall, Chunjong Park, A. Ali Heydari, Ahmed A. Metwally, Hong Yu, Xin Liu, Xuhai Xu, Yuzhe Yang, Maxwell A. Xu, Zhihan Zhang, Cynthia Breazeal, Tim Althoff, Petar Sirkovic, Ivor Rendulic, Annalisa Pawlosky, Nicolas Stroppa, Juraj Gottweis, Elahe Vedadi, Alan Karthikesalingam, Pushmeet Kohli, Vivek Natarajan, Mark Malhotra, Shwetak Patel, Hae Won Park, Hamid Palangi, Daniel McDuff,
• Abstract要約: バイオマーカー発見を反復的プロセスとして構築するシステムであるCoDaS(AI Co-Data-Scientist)を紹介する。 コホートは計9,279人、CoDaSは41人のメンタルヘルスと25人のメタボリックな結果を得た。 CoDaSは、両データセットの概日不安定性に関連する特徴を睡眠時間変動に反映した。
• 参考スコア（独自算出の注目度）: 44.01195029438923
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Scientific discovery in digital health requires converting continuous physiological signals from wearable devices into clinically actionable biomarkers. We introduce CoDaS (AI Co-Data-Scientist), a multi-agent system that structures biomarker discovery as an iterative process combining hypothesis generation, statistical analysis, adversarial validation, and literature-grounded reasoning with human oversight using large-scale wearable datasets. Across three cohorts totaling 9,279 participant-observations, CoDaS identified 41 candidate digital biomarkers for mental health and 25 for metabolic outcomes, each subjected to an internal validation battery spanning replication, stability, robustness, and discriminative power. Across two independent depression cohorts, CoDaS surfaced circadian instability-related features in both datasets, reflected in sleep duration variability (DWB, ρ= 0.252, p < 0.001) and sleep onset variability (GLOBEM, ρ= 0.126, p < 0.001). In a metabolic cohort, CoDaS derived a cardiovascular fitness index (steps/resting heart rate; ρ= -0.374, p < 0.001), and recovered established clinical associations, including the hepatic function ratio (AST/ALT; ρ= -0.375, p < 0.001), a known correlate of insulin resistance. Incorporating CoDaS-derived features alongside demographic variables led to modest but consistent improvements in predictive performance, with cross-validated ΔR^2 increases of 0.040 for depression and 0.021 for insulin resistance. These findings suggest that CoDaS enables systematic and traceable hypothesis generation and prioritization for biomarker discovery from large-scale wearable data.
• Abstract（参考訳）: デジタルヘルスにおける科学的発見は、ウェアラブルデバイスからの継続的な生理的信号を臨床的に実行可能なバイオマーカーに変換する必要がある。 CoDaS (AI Co-Data-Scientist) は,バイオマーカー発見を仮説生成,統計解析,敵対的検証,および大規模ウェアラブルデータセットを用いた文学的推論を組み合わせた反復的プロセスとして構築するマルチエージェントシステムである。 コホートは合計9,279人の参加者が観察し、CoDaSは41人のメンタルヘルスのデジタルバイオマーカーと25人のメタボリックな結果のデジタルバイオマーカーを同定し、それぞれが複製、安定性、堅牢性、識別力にまたがる内部検証バッテリーを装着した。 2つの独立したうつ病コホート中、CoDaSは両データセットの概日不安定性に関連する特徴を呈し、睡眠持続時間変動(DWB, ρ= 0.252, p < 0.001)と睡眠開始変動(GLOBEM, ρ= 0.126, p < 0.001)に反映した。 メタボリックコホートにおいて、CoDaSは心血管性フィットネス指標(歩数/安静時心拍数:ρ=-0.374, p < 0.001)を誘導し、肝機能比(AST/ALT; ρ=-0.375, p < 0.001)を含む確立された臨床関係を回復した。 CoDaS由来の特徴を人口統計学的変数と組み合わせることで、予測性能は緩やかだが一貫した改善がみられ、交差価のΔR^2はうつ病では0.040、インスリン抵抗では0.021となった。 これらの結果から,CoDaSは大規模ウェアラブルデータからのバイオマーカー発見において,系統的かつトレース可能な仮説生成と優先順位付けを可能にすることが示唆された。

関連論文リスト

• RareGraph-Synth: Knowledge-Guided Diffusion Models for Generating Privacy-Preserving Synthetic Patient Trajectories in Ultra-Rare Diseases [0.0]
  超希少疾患の軌跡を生成する知識誘導型連続拡散フレームワークを提案する。 RareGraph-Synthは5つの公開リソースを約8Mの型付きエッジからなる異種知識グラフに統合する。 保護された健康情報を含まない、ラボコード、薬物コード、悪臭の三重奏のタイムスタンプが生成される。
  論文  参考訳（メタデータ） (2025-10-06T03:59:09Z)
• Detection of Autonomic Dysreflexia in Individuals With Spinal Cord Injury Using Multimodal Wearable Sensors [2.208475400165877]
  自律神経障害 (AD) は、脊髄損傷者(SCI)の突然の血圧急上昇を特徴とする生命予後の1つである。 本研究では,マルチモーダルウェアラブルセンサを用いたAD検出のための非侵襲的,説明可能な機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-23T21:18:23Z)
• Microelectrode Signal Dynamics as Biomarkers of Subthalamic Nucleus Entry on Deep Brain Stimulation: A Nonlinear Feature Approach [0.0]
  本稿では、非線形力学とエントロピーに基づくメトリクスを利用して、STN内外から記録された神経活動の分類を行うフレームワークを提案する。 本研究は,DBS手術中におけるリアルタイム・データ駆動意思決定支援における非線形・エントロピー信号記述子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） (2025-06-14T23:23:26Z)
• Multimodal AI-driven Biomarker for Early Detection of Cancer Cachexia [14.27396467108753]
  がんキャッシュキシアは多因子症候群であり、進行性筋肉の洗浄、代謝異常、全身炎症を特徴とする。 キャッシュキシアに決定的なバイオマーカーは存在しない。 本研究では,早期がんキャッシュリア検出のためのマルチモーダルAIベースのバイオマーカーを提案する。
  論文  参考訳（メタデータ） (2025-03-09T22:32:37Z)
• Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation [46.36100528165335]
  光胸腺撮影と心電図は、連続血圧モニタリング(BP)を可能にする可能性がある。 しかし、データ品質と患者固有の要因の変化のため、正確で堅牢な機械学習(ML)モデルは依然として困難である。 本研究では,1つのモータリティで事前学習したモデルを効果的に利用して,異なる信号タイプの精度を向上させる方法について検討する。 本手法は, 拡張期BPの最先端精度を約1.5倍に向上し, 拡張期BPの精度を1.5倍に向上させる。
  論文  参考訳（メタデータ） (2025-02-10T13:33:12Z)
• Enhancing Glucose Level Prediction of ICU Patients through Hierarchical Modeling of Irregular Time-Series [4.101915841246237]
  本研究は, ICU患者における血糖値の予測を目的としたMulti-source Irregular Time-Series Transformer (MITST) を提案する。 MITSTは様々な臨床データ(検査結果、薬品、バイタルサインを含む)を事前に定義された集計なしで統合する。 MITSTは、AUROCで1.7ポイント(pp)、AUPRCで1.8ppという統計学的に有意な(p 0.001 )改善を達成している。
  論文  参考訳（メタデータ） (2024-11-03T03:03:11Z)
• Simulation-based Inference for Cardiovascular Models [43.55219268578912]
  シミュレーションに基づく推論を用いて、波形をプラプシブルな生理的パラメータにマッピングする逆問題を解決する。 臨床応用5種類のバイオマーカーのin-silico不確実性解析を行った。 我々はMIMIC-III波形データベースを用いて,ビビオとシリカのギャップについて検討した。
  論文  参考訳（メタデータ） (2023-07-26T02:34:57Z)
• Label scarcity in biomedicine: Data-rich latent factor discovery enhances phenotype prediction [102.23901690661916]
  低次元の埋め込み空間は、健康指標、ライフスタイル、および人口動態の予測をデータスカース化するために、英国バイオバンクの人口データセットから導出することができる。 半超越的アプローチによるパフォーマンス向上は、おそらく様々な医学データサイエンス応用にとって重要な要素となるだろう。
  論文  参考訳（メタデータ） (2021-10-12T16:25:50Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)

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。