論文の概要: Beyond AHI: An Interpretable Causal-Discovery-Guided Framework for Sleep Recovery in Connected Health
- arxiv url: http://arxiv.org/abs/2606.18506v1
- Date: Tue, 16 Jun 2026 21:38:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-18 17:16:50.905596
- Title: Beyond AHI: An Interpretable Causal-Discovery-Guided Framework for Sleep Recovery in Connected Health
- Title（参考訳）: Beyond AHI: 接続型健康における睡眠回復のための解釈可能な因果発見ガイドフレームワーク
- Authors: Saba A. Farahani, Elahe Khatibi, Manoj Vishwanath, Amir M. Rahmani, Hung Cao,
- Abstract要約: マルチモーダルポリソノグラフィーから階層型睡眠回復スコア(SRS)を導出するための因果探索誘導フレームワークを提案する。
2つの大集団コホートを用いて,呼吸負荷,低酸素負荷,睡眠断片化,睡眠構造,自律神経調節を対象とする非循環グラフ(DAG)学習を適用した。
これらのドメインは、ウェアラブルECG、オキシメトリ、睡眠ステージ推定デバイスなど、コネクテッドヘルス技術で利用されつつあるセンサストリームに自然にマッピングされる。
- 参考スコア（独自算出の注目度）: 2.2388219330671006
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Objective sleep assessment relies on polysomnography (PSG), yet clinical impact is often better reflected in patient-reported outcomes (PROs) such as sleepiness and fatigue. Existing summary indices, including the Apnea-Hypopnea Index (AHI), provide limited insight into the multidomain physiology underlying functional recovery. We propose an interpretable, causal-discovery--guided framework for deriving a hierarchical Sleep Recovery Score (SRS) from multimodal PSG. Using two large population cohorts (MESA: n=1540; MrOS: n=825), we apply directed acyclic graph (DAG) learning to identify candidate physiological drivers spanning respiratory burden, hypoxic burden, sleep fragmentation, sleep architecture, and autonomic regulation. Although derived from clinical PSG, these domains map naturally to sensing streams increasingly available in connected health technologies, including wearable ECG, oximetry, and sleep-stage estimation devices. To preserve mechanistic plausibility, we introduce a two-stage screening process that combines physiology-based constraints with constrained LLM-assisted auditing to identify and remove structural confounders and construct-overlapping variables. Across cohorts, these five domains emerge as recurrent physiological domains associated with recovery, and the resulting SRS shows up to 2.5$\times$ stronger alignment with perceived recovery than AHI. By linking multimodal sleep physiology to patient-centered outcomes through an interpretable, bias-aware, and domain structured framework, this work provides a practical foundation for recovery modeling across both clinical sleep studies and emerging smart and connected health settings.
- Abstract（参考訳）: 客観的睡眠評価はPSG(Polysomnography)に依存するが、睡眠や疲労などの患者報告結果(PRO)に臨床効果が反映されることが多い。
Apnea-Hypopnea Index (AHI)を含む既存の要約指標は、機能回復の根底にある多ドメイン生理学についての限られた洞察を提供する。
マルチモーダルPSGから階層型睡眠回復スコア(SRS)を導出するための解釈可能な因果発見誘導フレームワークを提案する。
2つの大集団コホート(MESA: n=1540; MrOS: n=825)を用いて,呼吸負荷,低酸素負荷,睡眠の断片化,睡眠のアーキテクチャ,自律神経調節を対象とする自律的非循環グラフ(DAG)学習を適用した。
臨床用PSGから派生したものの、これらのドメインは、ウェアラブルECG、オキシメトリー、睡眠ステージ推定装置など、接続された健康技術で利用されやすくなっているセンシングストリームに自然にマッピングする。
機械的妥当性を維持するために,生理学に基づく制約と制約付きLCMによる監査を組み合わせる2段階のスクリーニングプロセスを導入し,構造的共同設立者を特定し,重複変数を除去する。
コホート全体において、これらの5つのドメインはリカレントな生理的ドメインとして出現し、その結果のSRSはAHIよりも2.5$\times$強いアライメントを示す。
マルチモーダル睡眠生理学と患者中心の成果を解釈可能、バイアス認識、ドメイン構造化の枠組みで結びつけることにより、この研究は、臨床睡眠研究と、スマートで接続された健康設定の両方にわたるリカバリモデリングの実践的基盤を提供する。
関連論文リスト
- MARVEL: Universal Murray's Law-informed Vessel Tree Segmentation and Topology Estimation [75.40785674602147]
血管セグメンテーションのための深層学習法は、しばしば生物物理学的な制約を無視している。
これは生理的に不確実な分岐と誤分類の血管木につながる。
バイオ物理の先駆体を血管樹抽出に組み込んだ背骨非依存フレームワークMARVELについて紹介する。
論文 参考訳（メタデータ） (2026-05-25T02:32:29Z) - Beyond the Aggregation Dilemma: Prior-Retaining Decoupled Learning for Multimodal Graphs [69.56407708794845]
MultimodalAttributed Graph Learning (MAGL)はグラフアグリゲーションを通じてノード属性と構造トポロジーを統合する。
事前訓練されたエンコーダがLarge Foundation Models (LFM) へと進化するにつれて、MAGLのランドスケープは根本的に変化していく。
高信頼のLFM先行の下では、強制集約は、識別シグナルを圧倒するトポロジカル固有のノイズを導入する。
本稿では、分離されたデュアルパスパラダイムであるSUPRA(Shared-Unique Prior-Retaining Architecture)を提案する。
SUPRAは、トポロジ・アグノシクスによるモーダリティ特異的な特徴を処理し、軽量共有GNNを介して構造相乗効果を捉え、補助的な深層監視対策の勾配飢餓を発生させる。
論文 参考訳（メタデータ） (2026-05-23T17:42:25Z) - AI Generalisation Gap In Comorbid Sleep Disorder Staging [5.137280927017341]
iSLEEPS (iSLEEPS) を新たに導入した。
単一チャネル脳波睡眠ステージリングのためのSE-ResNet+双方向LSTMモデルの評価を行った。
健常者と疾患者のクロスドメインパフォーマンスは貧弱である。
論文 参考訳（メタデータ） (2026-03-24T15:02:35Z) - Exploring the Efficacy of Convolutional Neural Networks in Sleep Apnea Detection from Single Channel EEG [0.0]
本稿では,単一チャネル脳波データに基づいて学習した畳み込みニューラルネットワーク(CNN)を用いた睡眠時無呼吸症候群の検出手法を提案する。
提案されたCNNの精度は85.1%、マシューズ相関係数(MCC)は0.22で、家庭ベースのアプリケーションにとって大きな可能性を示した。
論文 参考訳（メタデータ） (2025-08-16T04:58:00Z) - HiRef: Leveraging Hierarchical Ontology and Network Refinement for Robust Medication Recommendation [17.45722229030237]
我々は、ロバストメディカルレコメンデーション(HiRef)のための階層的オントロジーとネットワークリファインメントを提案する。
我々は、自然に木のような関係を捉え、共有された祖先を通して知識の伝達を可能にする双曲空間に実体を埋め込む。
本モデルは,EMHベンチマーク(MIMIC-IIIおよびMIMIC-IV)において高い性能を達成し,シミュレーションできないコード設定下で高い精度を維持する。
論文 参考訳（メタデータ） (2025-08-14T07:55:03Z) - PhysLLM: Harnessing Large Language Models for Cross-Modal Remote Physiological Sensing [49.243031514520794]
LLM(Large Language Models)は、テキスト中心の設計のため、長距離信号の取得に優れる。
PhysLLMは最先端の精度とロバスト性を実現し、照明のバリエーションや動きのシナリオにまたがる優れた一般化を示す。
論文 参考訳（メタデータ） (2025-05-06T15:18:38Z) - TopoTxR: A topology-guided deep convolutional network for breast parenchyma learning on DCE-MRIs [49.69047720285225]
そこで本研究では,乳房側葉構造をよりよく近似するために,マルチスケールのトポロジ構造を明示的に抽出する新しいトポロジカルアプローチを提案する。
VICTREファントム乳房データセットを用いてemphTopoTxRを実験的に検証した。
本研究の質的および定量的分析は,乳房組織における画像診断におけるトポロジカルな挙動を示唆するものである。
論文 参考訳（メタデータ） (2024-11-05T19:35:10Z) - fMRI from EEG is only Deep Learning away: the use of interpretable DL to
unravel EEG-fMRI relationships [68.8204255655161]
多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。
我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
論文 参考訳（メタデータ） (2022-10-23T15:11:37Z) - Recognition of Patient Groups with Sleep Related Disorders using
Bio-signal Processing and Deep Learning [2.552015272583579]
心電図(ECG)と心電図(EMG)は呼吸障害や運動関連睡眠障害の診断に用いられている。
ディープラーニングフレームワークは、EMGとECG機能を組み込むように設計されている。
この枠組みは、健常者、閉塞性睡眠時無呼吸症(OSA)患者、レスレス脚症候群(RLS)患者、およびOSAおよびRSS患者の4つのグループに分類されている。
論文 参考訳（メタデータ） (2021-11-10T20:19:15Z) - Video-based Remote Physiological Measurement via Cross-verified Feature
Disentangling [121.50704279659253]
非生理的表現と生理的特徴を混同するための横断的特徴分離戦略を提案する。
次に, 蒸留された生理特性を用いて, 頑健なマルチタスク生理測定を行った。
歪んだ特徴は、最終的に平均HR値やr信号のような複数の生理的信号の合同予測に使用される。
論文 参考訳（メタデータ） (2020-07-16T09:39:17Z)
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。