関連する実験動画
Updated: May 9, 2026
05:47
Animal Models of Depression - Chronic Despair Model CDM
Published on: September 23, 2021
7.5K
鬱病の検出のためのアクティグラフィーベースのステップ分析:説明可能な機械学習アプローチ
Ju-Wan Kim1, Taeyeong Lee2, Bahngtaik Lim1
1Departments of Psychiatry, Chonnam National University Medical School, Republic of Korea.
Journal of affective disorders
|August 24, 2025
まとめ
この研究は,アクティグラフィーデータが人工知能 (AI) を使用してうつ病の症状を検出できることを示しています. 低歩数と 特定の活動パターンは 鬱を正確に予測します 特に高齢の男性では
科学分野:
- デジタル・ヘルス
- 医療における人工知能
- 行動科学
背景:
- 鬱病の検出は 主観的な評価に 依存するものです
- ウェアラブルデバイスを用いた 客観的で継続的な監視が必要です
- アクティグラフィーは被動的なデータ収集に 有望なツールです
研究 の 目的:
- アクティグラフィーデータを用いてうつ病の症状を検出するための解釈可能な人工知能 (AI) モデルを開発する.
- 機械学習モデルに統計的に有意な特徴を統合し,正確性と説明性を向上させる.
- 抑うつ症状の分類におけるアクティグラフィーによる特徴の有用性を探求する.
主な方法:
- 1週間にわたる3304人の参加者のアクティグラフィーデータを分析した.
- CatBoost と XGBoost を含む 6 つの機械学習モデルが,様々な活動および光照射指標について訓練されました.
- シェープリー添加式説明 (SHAP) がモデル解釈性のために使用され,分析は性別によって層分化されました.
主要な成果:
- CatBoostとXGBoostは,それぞれ軽度および中度から重度のうつ症状の予測において最も高いパフォーマンスを示しました (AUROC 0. 679 - 0. 715)
- SHAP分析では,うつ病症状の主要な予測要因として,最も活動的でない5時間間の低ステップ数と高いアクティビティが特定されました.
- AUROC値は0. 833に達した.
結論:
- アクティグラフィーで得られたステップカウントと時間的な活動パターンは,AI主導のうつ病分類に価値があります.
- 説明可能なAIアプローチは パーソナライズされたメンタルヘルススクリーニングに不可欠です
- 時間に敏感な活動データの分析は,客観的な精神的健康評価のための大きな可能性を秘めています.
