論文の概要: Longitudinal and Graph-Augmented Prediction of Adolescent Substance Use Onset in the ABCD Study

• arxiv url: http://arxiv.org/abs/2608.14578v1
• Date: Fri, 12 Jun 2026 05:00:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.2161
• Title: Longitudinal and Graph-Augmented Prediction of Adolescent Substance Use Onset in the ABCD Study
• Title（参考訳）: ABCD研究による思春期物質使用量の経時的およびグラフ的予測
• Abstract要約: アルコールシッピング, アルコール使用, 大麻使用, および大麻使用を予測するための断面, 縦, グラフベースのアプローチの比較を行った。 我々は,家族,学校,特徴相似性グラフから構築したツリーベースモデル,リカレントニューラルネットワーク,テンポラルグラフ畳み込みネットワーク(T-GCN)を評価した。
• 参考スコア（独自算出の注目度）: 7.253454377063918
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Early identification of adolescent substance-use risk is an important prevention challenge, yet the relative value of baseline characteristics, longitudinal trajectories, and relational context remains unclear. Using data from approximately 11,860 participants in the Adolescent Brain Cognitive Development (ABCD) Study, we compare cross-sectional, longitudinal, and graph-based approaches for predicting alcohol sipping, alcohol use, marijuana use, and alcohol/marijuana use. We evaluate tree-based models, recurrent neural networks, and Temporal Graph Convolutional Networks (T-GCNs) constructed from family, school, and feature-similarity graphs. Longitudinal models consistently outperform baseline models, with temporal XGBoost achieving the strongest standalone performance. Although T-GCNs generally do not surpass temporal XGBoost, graph-derived risk scores provide complementary information. Combining temporal XGBoost and T-GCN predictions through score-level stacking yields the best performance across all outcomes, achieving AUC-ROC values above 0.79. Feature analyses identify peer deviance, age, externalizing symptoms, parental monitoring, cultural norms, and neighborhood context as important predictors of substance use onset. These findings demonstrate the value of longitudinal modeling for substance-use prediction and suggest that graph-based representations can provide effective auxiliary risk signals.
• Abstract（参考訳）: 青年期の物質使用リスクの早期同定は重要な予防課題であるが, 基線特性の相対値, 縦方向軌跡, 関係状況はいまだ不明である。 思春期脳認知発達研究(ABCD)の約11,860人の参加者から得られたデータを用いて, アルコールシッピング, アルコール使用, 大麻使用, および大麻使用を予測するための断面, 縦, グラフベースのアプローチを比較した。 我々は,家族,学校,特徴相似性グラフから構築したツリーベースモデル,リカレントニューラルネットワーク,テンポラルグラフ畳み込みネットワーク(T-GCN)を評価した。 縦方向モデルはベースラインモデルより一貫して優れており、時間軸のXGBoostは最強のスタンドアロンパフォーマンスを実現している。 T-GCNは一般的に時間的XGBoostを超えないが、グラフ由来のリスクスコアは相補的な情報を提供する。 スコアレベルの積み重ねによる時間的XGBoostとT-GCN予測を組み合わせることで、AUC-ROCの値は0.79以上となる。 特徴分析では, 年齢, 外因性症状, 親のモニタリング, 文化規範, 周辺文脈を, 物質使用開始の予測因子として同定する。 これらの結果は, 物質利用予測のための縦断的モデリングの価値を示し, グラフに基づく表現が効果的な補助的リスク信号を提供できることを示唆している。

関連論文リスト

• SAGE: Stability-Aware Graph-Based Ensemble Feature Selection for Explainable Postpartum Depression Risk Prediction [0.4908879620102718]
  産後うつ病(PPD)は、特に低所得国や中所得国において、母子保健に大きな負担をかける。 我々は、局所的な説明可能なAIと遺伝的に人工ニューラルネットワーク(GA-ANN)の両方を組み込んだ、安定なグラフベースのアンサンブル特徴選択システムであるSAGEを提案する。 SAGEは、766人の産後女性の一次コホートを用いて、情報理論の関連性、PCAに基づく構造、およびグラフに基づく相互作用をブートストラップ安定性重み付けと組み合わせ、堅牢で非冗長な予測因子を同定する。
  論文  参考訳（メタデータ） (2026-08-24T05:11:42Z)
• Longitudinal Digital Phenotyping for Early Cognitive-Motor Screening [6.034170250427599]
  18歳から8歳までの子どもの発達軌跡をモデル化するためのAI駆動型縦断フレームワークを提案する。 複数の学年で収集されたタブレットによるインタラクションのデータセットを用いて,6つの認知運動課題を分析した。 分析の結果,低,中,高の3つのプロファイルが明らかになった。
  論文  参考訳（メタデータ） (2026-03-26T17:27:49Z)
• KAT-GNN: A Knowledge-Augmented Temporal Graph Neural Network for Risk Prediction in Electronic Health Records [0.0]
  KAT-GNNは、リスク予測のための臨床知識と時間ダイナミクスを統合するグラフベースのフレームワークである。 本研究は,Chang Gung Research Database (CGRD) を用いた冠状動脈疾患(CAD)予測とMIMIC-IIIおよびMIMIC-IVデータセットを用いた院内死亡予測の3つのデータセットおよび課題について評価した。
  論文  参考訳（メタデータ） (2025-11-03T05:42:04Z)
• Interpretable Graph-Language Modeling for Detecting Youth Illicit Drug Use [51.696842592898804]
  十代の若者や若者(TYA)の間での違法薬物使用は、公衆衛生上の問題となっている。 TYAの違法薬物使用を検出するため、研究者は若者のリスク行動調査(YRBS)や全米薬物使用・健康調査(NSDUH)などの大規模調査を分析した。 既存のモデリング手法は、潜伏構造と相互接続構造を見渡すことで、調査変数を独立に扱う。 LAMIは違法薬物の使用を検知し、TYA間の行動危険因子を解釈するための新しいグラフ言語モデリングフレームワークである。
  論文  参考訳（メタデータ） (2025-10-11T17:29:50Z)
• PGCLODA: Prompt-Guided Graph Contrastive Learning for Oligopeptide-Infectious Disease Association Prediction [11.867921399312701]
  感染性疾患は公衆衛生に深刻な脅威を与え続けており、効果的な計算アプローチに対する緊急の必要性を浮き彫りにしている。 本研究では,グラフに基づくコントラスト学習フレームワーク(PGODA)を導入し,潜在的な関連を明らかにする。 ケーススタディは、PGODAの能力と、新規で生物学的に関連する関連性を明らかにする可能性をさらに検証する。
  論文  参考訳（メタデータ） (2025-09-24T16:25:13Z)
• Beyond Feature Importance: Feature Interactions in Predicting Post-Stroke Rigidity with Graph Explainable AI [12.69689718988924]
  筋緊張と硬さを特徴とする後ストローク剛性は、生存者の移動性や生活の質に大きな影響を及ぼす。 本研究は,グラフに基づく説明可能なAIによって特徴的相互作用を強調することによって,ストローク後の剛性を予測するという課題に対処する。
  論文  参考訳（メタデータ） (2025-04-10T22:20:22Z)
• Dynamic Graph Enhanced Contrastive Learning for Chest X-ray Report Generation [92.73584302508907]
  コントラスト学習を用いた医療レポート作成を支援するために,動的構造とノードを持つ知識グラフを提案する。 詳しくは、グラフの基本構造は一般知識から事前構築される。 各イメージ機能は、レポート生成のためにデコーダモジュールに入力する前に、独自の更新グラフに統合される。
  論文  参考訳（メタデータ） (2023-03-18T03:53:43Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• Drug Synergistic Combinations Predictions via Large-Scale Pre-Training and Graph Structure Learning [82.93806087715507]
  薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。 ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。 我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-01-14T15:07:43Z)
• Generalizing Graph Neural Networks on Out-Of-Distribution Graphs [51.33152272781324]
  トレーニンググラフとテストグラフの分散シフトを考慮せずにグラフニューラルネットワーク(GNN)を提案する。 このような環境では、GNNは、たとえ素早い相関であるとしても、予測のためのトレーニングセットに存在する微妙な統計的相関を利用する傾向がある。 本稿では,スプリアス相関の影響を排除するため,StableGNNと呼ばれる一般的な因果表現フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-20T18:57:18Z)
• Short Term Blood Glucose Prediction based on Continuous Glucose Monitoring Data [53.01543207478818]
  本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。 短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
  論文  参考訳（メタデータ） (2020-02-06T16:39:44Z)

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。