論文の概要: Beyond Baseline Severity: Temporal and Disease-Specific Predictors of Depression Outcomes Following Mindfulness Interventions

• arxiv url: http://arxiv.org/abs/2610.08809v1
• Date: Sat, 19 Sep 2026 20:35:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-11 16:33:44.538549
• Title: Beyond Baseline Severity: Temporal and Disease-Specific Predictors of Depression Outcomes Following Mindfulness Interventions
• Title（参考訳）: ベースラインの重症度を超えて--マインドフルネス介入による抑うつ効果の時間的・病的予測
• Abstract要約: この研究は、人口統計学変数、臨床症状情報、病院中心の識別子、ベースラインBDI-IIスコア、および短期うつ病の予後をモデル化するための治療エンゲージメント尺度を用いている。 この分析は、臨床に関係のある3つのパターンを明らかにしている: ベースラインの重症度は依然として最強の予測因子であり、短期成績は、臨床および病院の文脈と強く関連しており、長期成績は、行動の順守と人口統計学的要因に大きく依存している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Depression severity among patients with chronic or acute medical conditions is influenced by a complex interaction of baseline psychological state, demographic characteristics, clinical context, and engagement with behavioral interventions. This paper presents an interpretable machine-learning analysis of a multi-center longitudinal clinical cohort to predict Beck Depression Inventory-II (BDI-II) scores at 12 and 24 weeks following mindfulness-based intervention participation. The study uses demographic variables, clinical condition information, hospital-center identifiers, baseline BDI-II scores, and therapy engagement measures to model short-term and long-term depression outcomes. Missing follow-up outcomes were addressed using a model-based stochastic imputation procedure to preserve the modest sample size while maintaining outcome variability. Five regression models were evaluated, spanning regularized linear regression and tree-based ensemble methods. Ridge Regression achieved the best 12-week performance with an RMSE of 5.186 and R^2 of 0.474, while LightGBM achieved the best 24-week performance with an RMSE of 5.038 and R^2 of 0.525. Beyond prediction accuracy, the analysis reveals three clinically relevant patterns: baseline severity remains the strongest overall predictor, short-term outcomes are more strongly associated with clinical and hospital context, and long-term outcomes show greater dependence on behavioral adherence and demographic factors. Disease-specific and hierarchical subgroup analyses further indicate that predictors differ substantially across and within clinical categories. These findings support the use of interpretable, context-aware modeling to inform personalized mental-health support following mindfulness-based interventions.
• Abstract（参考訳）: 慢性または急性の医療状態の患者のうつ病重症度は、基礎的心理的状態の複雑な相互作用、人口統計学的特徴、臨床的文脈、行動介入との関わりの影響を受けている。 本稿では,多施設の縦断的臨床コホートを用いて,マインドフルネスによる介入参加後12週,24週でBeck Depression Inventory-II(BDI-II)のスコアを予測した。 この研究は、人口統計変数、臨床症状情報、病院中心の識別子、ベースラインのBDI-IIスコア、および短期および長期のうつ病の症状をモデル化するための治療エンゲージメント尺度を用いている。 結果の変動性を維持しつつ, 最小のサンプルサイズを維持するために, モデルに基づく確率的計算法を用いて, 追跡結果の欠落に対処した。 5つの回帰モデルが評価され, 正規化線形回帰法と木に基づくアンサンブル法にまたがった。 リッジ回帰はRMSEが5.186、R^2が0.474、LightGBMが5.038、R^2が0.525で24週間最高のパフォーマンスを記録した。 ベースラインの重症度は依然として最強の予測因子であり、短期成績は臨床と病院の文脈に強く関連しており、長期成績は行動の順守と人口統計因子に大きく依存している。 疾患特異的および階層的なサブグループ分析は、予測因子が臨床カテゴリーと臨床カテゴリーで大きく異なることを示している。 これらの知見は、マインドフルネスに基づく介入後、パーソナライズされたメンタルヘルス支援を通知するために、解釈可能な文脈認識モデリングの使用を支援する。

関連論文リスト

• Graph Representation Learning of Longitudinal Medical Imaging Trajectories for Treatment Response Prediction [2.9823166626381212]
  乳癌患者では, 長期予後の指標として, 病理学的完全反応 (pCR) が確立されている。 本稿では,最先端のニューラルグラフと時間的モデリングを統合した,治療応答予測のための画像ベースの3次元時間的フレームワークを提案する。 NACT誘発pCRの予測に臨床的に有意な縦断的医療画像モデリングの有用性について検討した。
  論文  参考訳（メタデータ） (2026-07-06T10:39:14Z)
• Machine Learning for Depression Screening and Intervention: an Original Circadian Rhythm Score-based Methodology [18.76197876841284]
  概日変動を概日リズムの統一表現に圧縮する複合指標であるCircadian Rhythm Score (CRS)を提案する。 CRSは、行動意味を保ちつつ、うつ病スクリーニングのための識別力を最大化するために構築される。 本研究では,勾配木とSHAP解析に基づいて,概日リズムと抑うつリスクの非線形的・飽和的関連を明らかにする,解釈可能な抑うつスクリーニングフレームワークを開発した。
  論文  参考訳（メタデータ） (2026-07-06T04:04:32Z)
• A Machine Learning-Based Framework for Discovering Huntington's Disease Stages: Integrating Graph Representation Learning and clustering to Uncover Progression Dynamics in Longitudinal Enroll-HD Dataset [1.9449105330280387]
  ハンティントン病(英: Huntington's disease、HD)は、運動、認知機能、行動に徐々に影響を及ぼす進行性脳障害である。 我々は,動的グラフ表現学習に基づく教師なし機械学習フレームワークを開発し,患者内および患者間の時間的関係を捉える。 本フレームワークをEnroll-HDコホートから302名(訪問1,477名,訪問44名,参加者80%)に適用し,HDステージのデータ駆動による発見を可能にした。
  論文  参考訳（メタデータ） (2026-06-04T14:04:04Z)
• 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)
• ReMedi: Reasoner for Medical Clinical Prediction [70.84466325266068]
  EHRによる臨床結果予測を改善するためのフレームワークであるReMediを提案する。 ReMediは、複雑な臨床問題に対する挑戦的なサンプル再生機構を用いて有理応答対を生成する。 複数のEHR予測タスクの実験では、F1スコアで最先端のベースラインを19.9%上回った。
  論文  参考訳（メタデータ） (2026-05-02T14:44:49Z)
• Predicting Treatment Response in Body Dysmorphic Disorder with Interpretable Machine Learning [0.4604003661048266]
  身体異形性障害(Body Dysmorphic Disorder, BDD)は、頻繁に診断される疾患である。 我々は、治療結果を予測するために複数の機械学習アプローチを採用している。 治療の信頼性は最も強力な予測因子として浮上した。
  論文  参考訳（メタデータ） (2025-03-13T17:39:10Z)
• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)
• Deep Recurrent Model for Individualized Prediction of Alzheimer's Disease Progression [4.034948808542701]
  アルツハイマー病(Alzheimer's disease, AD)は認知症の主要な原因の一つであり、数年間の進行が遅いことが特徴である。 本稿では,MRIバイオマーカーの表現型測定と臨床状態の軌跡を予測できる新しい計算フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-05-06T08:08:00Z)

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。