論文の概要: Within-person prediction of depressive symptom change using year-long Screenome data and CES-D assessments

• arxiv url: http://arxiv.org/abs/2604.23040v1
• Date: Fri, 24 Apr 2026 22:00:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.113958
• Title: Within-person prediction of depressive symptom change using year-long Screenome data and CES-D assessments
• Title（参考訳）: 年長ScreenomeデータとCES-Dアセスメントを用いた抑うつ症状変化の人内予測
• Authors: Merve Cerit, Andrea Mock, Vryan Almanon Feliciano, Thomas N. Robinson, Byron Reeves, Nilam Ram, Nick Haber,
• Abstract要約: CES-Dアセスメントと5秒毎に1億枚以上のスクリーンショットをスタンフォード・スクリーンミクス・プラットフォームで撮影しました。 我々は、症状が悪化するか、安定するか、続く2週間で改善するかを、個人内での分類タスクとして予測する。 XGBoostは、確立されたCES-D重厚帯の交差に対して0.906のAUCを達成し、各参加者の個人内変動に対する変化に対して0.755を達成している。
• 参考スコア（独自算出の注目度）: 11.510009115567
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Predicting whether an individual's depressive symptoms will worsen, remain stable, or improve over the coming weeks can enable earlier and more targeted care, yet prospective within-person trajectory prediction remains largely unaddressed in digital phenotyping. We combine fortnightly CES-D assessments with over 100 million screenshots captured every five seconds via the Stanford Screenomics platform from 96 adults followed for approximately one year (M = 20.9, SD = 3.9 assessments per participant, 2,002 total observations). We frame prediction as a within-person classification task: whether symptoms will worsen, remain stable, or improve over the subsequent fortnight, operationalized in three ways to capture clinically meaningful change. Under temporal holdout, XGBoost achieves an AUC of 0.906 for crossings of established CES-D severity bands and 0.755 for change relative to each participant's own within-person variability, generalizing to unseen individuals (AUC = 0.821). Each person's typical symptom level was the only statistically significant predictor above the most recent CES-D score; without it, the most consequential worsening transitions go undetected. Screenome-derived behavioral features revealed prodromal patterns of worsening, including escalating social media use, fragmented device engagement, and changes in overnight activity, with substantial individual heterogeneity. These findings establish a proof-of-concept foundation for monitoring systems that could identify individuals approaching clinical deterioration before symptoms reach a crisis point.
• Abstract（参考訳）: 個人のうつ病症状が悪化するか、安定するか、あるいは今後数週間で改善されるかを予測することは、より早く、より標的となるケアを可能にする。 約1年間(M = 20.9、SD = 3.9、合計2,002、M = 20.9、SD = 3.9)に、CES-Dアセスメントと、Stanford Screenomicsプラットフォームを通じて5秒毎の1億枚以上のスクリーンショットを、96人の成人から取得しました。 症状が悪化するか、安定するか、続く2週間で改善するか、臨床的に意味のある変化を捉えるために3つの方法で手術を行った。 時間的ホールドアウトの下で、XGBoostは、確立されたCES-D重厚帯の交差に対して0.906のAUCを達成し、各参加者の内的変動に対する変化に対して0.755を達成し、目に見えない個人に一般化する(AUC = 0.821)。 それぞれの人の典型的な症状レベルは、最新のCES-Dスコアよりも統計的に有意な予測値であった。 スクリーンーム由来の行動特徴は、ソーシャルメディアの使用のエスカレーション、デバイスへの関与の断片化、夜間活動の変化、実質的な個人的不均一性など、悪化の先駆的なパターンを明らかにした。 これらの知見は、症状が危機点に達する前に臨床劣化に近づいた個人を特定することができる監視システムのための概念実証基盤を確立した。

関連論文リスト

• STEP-PD: Stage-Aware and Explainable Parkinson's Disease Severity Classification Using Multimodal Clinical Assessments [1.5441222602475007]
  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。
  論文  参考訳（メタデータ） (2026-04-19T20:53:59Z)
• Predicting Neuromodulation Outcome for Parkinson's Disease with Generative Virtual Brain Model [95.41752463487008]
  パーキンソン病は世界中で1千万人以上に影響している。 個人間変異は経験的治療の選択を制限し、非無視的な外科的リスクとコストを増大させる。 我々は、このギャップをトレーニング済みのファインタニングフレームワークで埋めて、静止状態fMRIから直接結果を予測する。
  論文  参考訳（メタデータ） (2026-03-31T02:36:10Z)
• An Interpretable Vision Transformer as a Fingerprint-Based Diagnostic Aid for Kabuki and Wiedemann-Steiner Syndromes [1.9656376732415815]
  歌舞伎症候群(KS)とヴィーデマン・ステナー症候群(WSS)は稀だが発達障害である。 KSまたはWSSを持つ多くの人は、遺伝子検査と専門知識の両方にアクセスできないため、未診断のままである。 造血器系異常は、いくつかの遺伝症候群の徴候が確立されているにもかかわらず、未使用の診断信号として残されている。
  論文  参考訳（メタデータ） (2026-02-06T00:41:15Z)
• 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)
• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• GaitForeMer: Self-Supervised Pre-Training of Transformers via Human Motion Forecasting for Few-Shot Gait Impairment Severity Estimation [27.081767446317095]
  本稿では、GaitForeMer、Gait Forecastingおよび障害推定TransforMerを紹介する。 GaitForeMerは、歩行運動を予測するために、まず公開データセット上で事前訓練され、その後、歩行障害の重症度を予測するために臨床データに適用される。 F1スコアは0.76、精度は0.79、リコールは0.75である。
  論文  参考訳（メタデータ） (2022-06-30T21:29:47Z)
• Patient-independent Schizophrenia Relapse Prediction Using Mobile Sensor based Daily Behavioral Rhythm Changes [8.086775225009996]
  モバイルセンシングデータを用いた機械学習に基づく統合失調症再発予測モデルについて検討した。 このモデルは、この4週間のモバイルセンシングデータを使って、来週の再発を予測している。 その結果,63名の統合失調症患者のデータセットを用いて,F2スコアが0.083であった。
  論文  参考訳（メタデータ） (2021-06-25T21:42:28Z)
• Deep Multi-task Learning for Depression Detection and Prediction in Longitudinal Data [50.02223091927777]
  うつ病は最も多い精神疾患の1つであり、世界中の年齢の何百万人もの人々に影響を与えている。 機械学習技術は、早期介入と治療のためのうつ病の自動検出と予測を可能にしている。 本稿では、この課題に対処するために、2つの補助的タスクでうつ病分類を共同最適化する、新しいディープマルチタスクリカレントニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2020-12-05T05:14:14Z)
• Joint Prediction and Time Estimation of COVID-19 Developing Severe Symptoms using Chest CT Scan [49.209225484926634]
  術後に重篤な症状を発症するかどうかを判定するための共同分類法と回帰法を提案する。 提案手法は,各試料の重量を考慮し,外乱の影響を低減し,不均衡な分類の問題を検討する。 提案手法では, 重症症例の予測精度76.97%, 相関係数0.524, 変換時間0.55日差が得られた。
  論文  参考訳（メタデータ） (2020-05-07T12:16:37Z)
• Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using Deep Multiple-Instance Learning [59.74684475991192]
  パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。 PD症状には、震動、剛性、ブレイキネジアがある。 本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-06T09:02:30Z)

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。