論文の概要: STEP-PD: Stage-Aware and Explainable Parkinson's Disease Severity Classification Using Multimodal Clinical Assessments

• arxiv url: http://arxiv.org/abs/2604.17611v1
• Date: Sun, 19 Apr 2026 20:53:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.600293
• Title: STEP-PD: Stage-Aware and Explainable Parkinson's Disease Severity Classification Using Multimodal Clinical Assessments
• Title（参考訳）: STEP-PD:マルチモーダル臨床評価を用いたステージアウェアと説明可能なパーキンソン病重症度分類
• Abstract要約: 本研究は,臨床的に解釈可能な境界を用いた重症度分類のための重症度対応機械学習フレームワークSTEP-PDを提案する。 病気の重症度は、HoehnとYahrのステージングを用いて定義され、Healthy、Mild PD(ステージ1-2)、Modrate-to-Severe PD(ステージ3-5)の3つの臨床的意義のあるカテゴリに分類される。 XGBoostは95.48% (Healthy vs. Mild)、99.44% (Healthy vs. Moderate-to-Severe)、96.78% (Mild vs. Moderate-to-Severe)という最強で最も安定したパフォーマンスを達成した。
• 参考スコア（独自算出の注目度）: 1.5441222602475007
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Parkinson's disease (PD) is a progressive disorder in which symptom burden and functional impairment evolve over time, making severity staging essential for clinical monitoring and treatment planning. However, many computational studies emphasize binary PD detection and do not fully use repeated follow-up clinical assessments for stage-aware prediction. This study proposes STEP-PD, a severity-aware machine learning framework to classify PD severity using clinically interpretable boundaries. It leverages all available visits from the Parkinson's Progression Markers Initiative (PPMI) and integrates routinely collected subjective questionnaires and objective clinician-assessed measures. Disease severity is defined using Hoehn and Yahr staging and grouped into three clinically meaningful categories: Healthy, Mild PD (stages 1-2), and Moderate-to-Severe PD (stages 3-5). Three binary classification problems and a three-class severity task were evaluated using stratified cross-validation with imbalance-aware training. To enhance interpretability, SHAP was used to provide global explanations and local patient-level waterfall explanations. Across all tasks, XGBoost achieved the strongest and most stable performance, with accuracies of 95.48% (Healthy vs. Mild), 99.44% (Healthy vs. Moderate-to-Severe), and 96.78% (Mild vs. Moderate-to-Severe), and 94.14% accuracy with 0.8775 Macro-F1 for three-class severity classification. Explainability results highlight a shift from early motor features to progression-related axial and balance impairments. These findings show that multimodal clinical assessments within the PPMI cohort can support accurate and interpretable visit-level PD severity stratification.
• Abstract（参考訳）: パーキンソン病(英: Parkinson's disease、PD)は、症状の重荷と機能障害が時間の経過とともに進化する進行性疾患であり、臨床モニタリングと治療計画に重篤なステージングが不可欠である。 しかし、多くの計算研究ではバイナリPD検出に重点を置いており、ステージアウェア予測のために繰り返し臨床評価を十分に利用していない。 本研究は,臨床的に解釈可能な境界を用いた重症度分類のための重症度対応機械学習フレームワークSTEP-PDを提案する。 パーキンソンズ・プログレッシブ・マーカー・イニシアチブ(PPMI)からの全ての訪問を活用し、定期的に収集された主観的なアンケートと客観的な臨床評価の指標を統合している。 病気の重症度は、Hoehn と Yahr のステージングを用いて定義され、Healthy 、 Mild PD (ステージ 1-2) 、Modrate-to-Severe PD (ステージ 3-5) の3つの臨床的に意味のあるカテゴリに分類される。 3つの二分分類問題と三級重度課題を,不均衡学習を用いた階層化クロスバリデーションを用いて評価した。 解釈可能性を高めるため、SHAPはグローバルな説明と患者レベルのウォーターフォール説明を提供するために使用された。 全てのタスクにおいて、XGBoostは95.48%(ヘルス対ミルド)、99.44%(ヘルス対モデレート対セヴェレ)、96.78%(ミルド対モデレート対セヴェレ)、94.14%の精度と0.8775マクロ-F1の精度で最強で最も安定したパフォーマンスを達成した。 説明可能性の結果は、初期運動特徴から進行関連軸・バランス障害へのシフトを浮き彫りにする。 以上の結果より, PPMIコホート内における多段階臨床評価は, 訪問レベルPD重度層形成の正確かつ解釈可能であることが示唆された。

関連論文リスト

• Clinically-Grounded Counterfactual Reasoning for Medical Video Diagnosis [47.559337485629904]
  この研究は、臨床診断思考を模倣する対実的推論フレームワークであるMedVCRを導入している。 MedVCRは3つの構成要素から構成されている。 これは、完全に監督された(例えば、大腸内視鏡)と弱監督された(例えば、大腸内視鏡)ビデオ診断設定の両方で評価され、パフォーマンスは2.6%-10.2%向上した。
  論文  参考訳（メタデータ） (2026-05-26T02:46:15Z)
• From Static Risk to Dynamic Trajectories: Toward World-Model-Inspired Clinical Prediction [61.12883122613684]
  本稿では, 患者固有の縦断疾患の進展を推定し, 代替治療下での軌跡変化を評価するための, 臨床AIにおける介入認識型疾患軌跡モデリングに焦点をあてる。 3つの意思決定タスク(実測,反実推定,政策評価)と3つのデータ生成機構(障害発生, 治療課題, 観察過程)によって, 識別可能性を決定する。 本稿では,個別/連続時間にまたがる予測,反ファクト的軌跡,政策評価の統一的な枠組みを提案する。
  論文  参考訳（メタデータ） (2026-05-16T10:45:26Z)
• Benchmarking Multi-turn Medical Diagnosis: Hold, Lure, and Self-Correction [72.89352076103889]
  大規模言語モデル (LLM) は, 臨床情報がすべて一ターンで提供される場合に, 高い精度で診断を行う。 1,035例からなる高忠実多ターン診断ベンチマークであるMINTを導入する。 診断決定に大きな影響を及ぼす3つの永続的な行動パターンを明らかにする。
  論文  参考訳（メタデータ） (2026-04-06T00:23:10Z)
• AD-CARE: A Guideline-grounded, Modality-agnostic LLM Agent for Real-world Alzheimer's Disease Diagnosis with Multi-cohort Assessment, Fairness Analysis, and Reader Study [45.632341143278886]
  不完全で不均一な入力からガイドラインに基づく診断を行うモダリティ診断剤であるAD-CAREを導入する。 専門的な診断ツールを動的にオーケストレーションすることにより、AD-CAREは実際の臨床出力と整合した透明なレポートスタイルのアウトプットを生成する。
  論文  参考訳（メタデータ） (2026-03-26T11:10:01Z)
• Topological descriptors of foot clearance gait dynamics improve differential diagnosis of Parkinsonism [0.8388591755871735]
  我々はパーキンソン病分類の補完ツールとしてトポロジカルデータ分析を評価した。 永続ホモロジーはベティ曲線、永続的な風景、シルエットを生み出した。 IPDとVaPでは,足指クリアランスの最小値,最大足指遅振,最大ヒールクリアランスが83%の精度で達成された。
  論文  参考訳（メタデータ） (2026-03-06T12:29:05Z)
• SCOPE-PD: Explainable AI on Subjective and Clinical Objective Measurements of Parkinson's Disease for Precision Decision-Making [1.4572472675272603]
  パーキンソン病(英: Parkinson's disease、PD)は、遺伝、臨床、生活習慣に影響を及ぼす慢性神経変性疾患である。 機械学習(ML)はPD診断をサポートする可能性を示しているが、既存のアプローチは主観的報告のみに依存することが多い。 本研究では、主観的および客観的な評価を統合することで、説明可能なAIベースの予測フレームワークであるSCOPE-PDを提案する。
  論文  参考訳（メタデータ） (2026-01-30T03:49:31Z)
• Quantifying the Reasoning Abilities of LLMs on Real-world Clinical Cases [48.87360916431396]
  MedR-Benchは1,453例の構造化患者のベンチマークデータセットで、推論基準を付した注釈付きである。 本稿では,3つの批判的診察勧告,診断決定,治療計画を含む枠組みを提案し,患者のケアジャーニー全体をシミュレートする。 このベンチマークを用いて、DeepSeek-R1、OpenAI-o3-mini、Gemini-2.0-Flash Thinkingなど、最先端の5つのLCMを評価した。
  論文  参考訳（メタデータ） (2025-03-06T18:35:39Z)
• SemioLLM: Evaluating Large Language Models for Diagnostic Reasoning from Unstructured Clinical Narratives in Epilepsy [45.2233252981348]
  臨床知識を符号化するための言語モデル(LLM)が示されている。 6つの最先端モデルをベンチマークする評価フレームワークであるSemioLLMを提案する。 ほとんどのLSMは、脳内の発作発生領域の確率的予測を正確かつ確実に生成できることを示す。
  論文  参考訳（メタデータ） (2024-07-03T11:02:12Z)
• AXIAL: Attention-based eXplainability for Interpretable Alzheimer's Localized Diagnosis using 2D CNNs on 3D MRI brain scans [43.06293430764841]
  本研究では,3次元MRIを用いたアルツハイマー病診断の革新的手法を提案する。 提案手法では,2次元CNNがボリューム表現を抽出できるソフトアテンション機構を採用している。 ボクセルレベルの精度では、どの領域に注意が払われているかを同定し、これらの支配的な脳領域を同定する。
  論文  参考訳（メタデータ） (2024-07-02T16:44:00Z)
• Predicting Parkinson's disease evolution using deep learning [1.4610685586329806]
  パーキンソン病は、世界の人口の1%近くで起こる神経疾患である。 パーキンソン病の診断に利用できる血液検査やバイオマーカーは1つもない。 進行の段階を特定するために設計されたAIツールは存在しない。
  論文  参考訳（メタデータ） (2023-12-28T10:30:54Z)
• Pose-based Tremor Type and Level Analysis for Parkinson's Disease from Video [10.577497906432498]
  我々は,パーキンソンの震動(PT)を分析し,PDの分析を支援することを提案する。 深層学習に基づくPT分類と重度推定システムであるSPA-PTAを提案する。
  論文  参考訳（メタデータ） (2023-12-21T12:05:01Z)
• IA-GCN: Interpretable Attention based Graph Convolutional Network for Disease prediction [47.999621481852266]
  タスクに対する入力特徴の臨床的関連性を解釈する,解釈可能なグラフ学習モデルを提案する。 臨床シナリオでは、そのようなモデルは、臨床専門家が診断および治療計画のためのより良い意思決定を支援することができる。 本研究では,Tadpoleの平均精度が3.2%,UKBBジェンダーが1.6%,UKBB年齢予測タスクが2%と,比較方法と比較して優れた性能を示した。
  論文  参考訳（メタデータ） (2021-03-29T13:04:02Z)
• Machine learning discrimination of Parkinson's Disease stages from walker-mounted sensors data [0.0]
  本研究は,パーキンソン病進行の6段階を識別するための機械学習手法を適用した。 データは、運動障害クリニックの実験で、低コストの歩行センサーによって取得されました。
  論文  参考訳（メタデータ） (2020-06-22T09:34:12Z)

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。