論文の概要: Exploring Reinforcement Learning for Fluid Transitions Between Clinical Mental Healthcare and Everyday Wellness Support

• arxiv url: http://arxiv.org/abs/2606.06800v1
• Date: Fri, 05 Jun 2026 01:01:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.49598
• Title: Exploring Reinforcement Learning for Fluid Transitions Between Clinical Mental Healthcare and Everyday Wellness Support
• Title（参考訳）: 臨床精神保健医療と日々のウェルネス支援の流体移行のための強化学習の探索
• Authors: Tony Wang, Qian Yang,
• Abstract要約: 臨床とウェルネスの介入を積極的に行うデジタルヘルスシステムを構築している。 RLを最適化した介入シーケンスの多くの利点は、介入が終了した後にのみ現れる。 RLによる介入に最も関わった参加者は、時間とともに関与を深めた。
• 参考スコア（独自算出の注目度）: 3.1909307480189324
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Mental health struggles wax and wane, yet clinical and wellness interventions typically operate separately, causing frequent breakdowns at care transitions. We explore reinforcement learning (RL) as a means to build digital health systems that deliver clinical and wellness interventions proactively, as part of a coherent care journey. We ask: what complexities does designing such a system involve? We built a contextual bandit that dynamically selects journaling prompts from clinical and wellness repertoires to optimize for an overarching health goal (sustained journaling) and deployed it in a four-week exploratory study (N=38). We found that, first, many benefits of RL-optimized intervention sequences appeared only after interventions ended, raising the question: Should systems that offer coherent clinical-wellness care journeys include stepping-back periods? If so, when and how? Second, participants most engaged with RL-generated interventions deepened their engagement over time, while those most engaged with a constant intervention tended to burn out and drop out later. It raises the question: When should a system blending clinical and wellness interventions reduce intensity to prevent burnout in versus sustain it to maximize treatment gains?
• Abstract（参考訳）: 精神的な健康は弱気と弱気に苦しむが、臨床と健康の介入は通常別々に行われるため、ケア移行時に頻繁に故障する。 我々は、コヒーレントケアの旅の一環として、臨床と健康の介入を積極的に行うデジタルヘルスシステムを構築する手段として、強化学習(RL)を探求する。 そのようなシステムの設計には何の複雑さがあるのか? 臨床・健康レパートリーからジャーナリングプロンプトを動的に選択し,総合的な健康目標(ジャーナリング)に最適化し,4週間の探索研究(N=38。 まず、RLを最適化した介入シーケンスの多くの利点が、介入が終わった後だけ現れ、疑問が持ち上がった。 もしそうなら、いつ、どのように? 第2に、RLを誘発する介入に最も関わった参加者は時間とともに関与を深め、一方、絶え間ない介入に最も関わった参加者は、後に燃え尽きる傾向にあった。 臨床とウェルネスの介入をブレンドするシステムは、燃え尽きるのを防ぐための強度を減らし、治療の利益を最大化するためにそれを維持すべきなのか?

関連論文リスト

• Ambivalence/Hesitancy Recognition in Videos for Personalized Digital Health Interventions [51.74800196847922]
  A/H(Ambivalence and Hesitancy)は、個人が健康介入を遅らせたり、避けたり、放棄したりする主要な役割を担っている。 専門家はA/Hを認識するように訓練することができるが、それらをデジタルヘルス介入に統合することは費用がかかり、効果が低い。 本稿では,ビデオにおけるA/H認識の深層学習モデルの適用について検討する。
  論文  参考訳（メタデータ） (2026-04-13T17:05:38Z)
• Realistic CDSS Drug Dosing with End-to-end Recurrent Q-learning for Dual Vasopressor Control [37.613456891934085]
  集中治療室 (ICU) 患者に対して, 薬物服用を最適に学習するためのエンドツーエンドアプローチを開発し, 抗敗血症性ショックに対する治療方針について検討した。 現実的な薬物服用には、離散的、連続的、指向的な服用戦略に対応するアクション空間設計を適用する。 提案手法は,既存の臨床プロトコルと整合しながら,生存率15%以上の改善を達成している。
  論文  参考訳（メタデータ） (2025-10-01T23:02:00Z)
• Towards Regulatory-Confirmed Adaptive Clinical Trials: Machine Learning Opportunities and Solutions [59.28853595868749]
  本研究は,全人口と低給付人口の規制制約と治療方針値を統合した将来の臨床試験の新たな2つの目的を紹介する。 我々は、第III相臨床試験を設計するための新しい枠組みであるRFAN(Randomize First Augment Next)を定式化する。 我々のフレームワークは、標準的なランダム化コンポーネントと適応コンポーネントから構成されており、臨床試験中に患者を効率よく安全に獲得し、患者を治療アームに割り当てることを目的としている。
  論文  参考訳（メタデータ） (2025-03-12T10:17:54Z)
• A Deployed Online Reinforcement Learning Algorithm In An Oral Health Clinical Trial [20.944037982124037]
  歯科疾患は、実質的な財政的負担、個人的苦痛、全身疾患のリスクの増加を伴う慢性疾患である。 毎日2回歯磨きを推奨しているにもかかわらず、忘れやすさや解離などの要因により、推奨された口腔セルフケア行動への固執は依然として最適ではない。 歯科疾患のリスクを負う医療従事者の予防ケアを補完する医療介入システムOralyticsを開発した。
  論文  参考訳（メタデータ） (2024-09-03T17:16:01Z)
• Improving Engagement and Efficacy of mHealth Micro-Interventions for Stress Coping: an In-The-Wild Study [4.704094564944504]
  パーソナライズされたコンテキスト認識介入選択アルゴリズムは、mHealth介入のエンゲージメントと有効性を改善する。 短時間でも1分間の介入は、知覚されるストレスレベルを著しく減少させる。 本研究は,個人化された文脈認識介入選択アルゴリズムを導入することで文献に寄与する。
  論文  参考訳（メタデータ） (2024-07-16T11:22:22Z)
• Pruning the Way to Reliable Policies: A Multi-Objective Deep Q-Learning Approach to Critical Care [46.2482873419289]
  我々は、より信頼性の高いクリティカルケアポリシーを得るための深いQ-ラーニングアプローチを導入する。 本手法を,集中治療室のシミュレーション環境と実際の健康記録を用いて,オフライン・オフ・セッティングで評価した。
  論文  参考訳（メタデータ） (2023-06-13T18:02:57Z)
• Learn to Intervene: An Adaptive Learning Policy for Restless Bandits in Application to Preventive Healthcare [39.41918282603752]
  レストレスマルチアームバンディット(RMAB)問題に対するWhittle IndexベースのQ-Learningメカニズムを提案する。 本手法は,複数のベンチマークを用いたRMABの既存の学習方法と,母体保健データセットを改良する。
  論文  参考訳（メタデータ） (2021-05-17T15:44:55Z)
• Clinical Temporal Relation Extraction with Probabilistic Soft Logic Regularization and Global Inference [50.029659413650194]
  既存のメソッドは、高価な機能エンジニアリングを必要とするか、イベント間のグローバルな依存関係をモデル化できない。 本稿では,確率論的ソフト論理規則化とグローバル推論を用いた新しい臨床時間緩和法を提案する。
  論文  参考訳（メタデータ） (2020-12-16T08:23:03Z)

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。