Jove
Visualize
お問い合わせ
JoVE
x logofacebook logolinkedin logoyoutube logo
JoVEについて
概要リーダーシップブログJoVEヘルプセンター
著者向け
出版プロセス編集委員会範囲と方針査読よくある質問投稿
図書館員向け
推薦の声購読アクセスリソース図書館諮問委員会よくある質問
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experimentsアーカイブ
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教員リソースセンター教員サイト
利用規約
プライバシーポリシー
ポリシー

関連する概念動画

Regression Toward the Mean01:52

Regression Toward the Mean

6.8K
Regression toward the mean (“RTM”) is a phenomenon in which extremely high or low values—for example, and individual’s blood pressure at a particular moment—appear closer to a group’s average upon remeasuring. Although this statistical peculiarity is the result of random error and chance, it has been problematic across various medical, scientific, financial and psychological applications. In particular, RTM, if not taken into account, can interfere when...
6.8K
Response Surface Methodology01:16

Response Surface Methodology

580
Response Surface Methodology (RSM) is a collection of statistical and mathematical techniques used to develop, improve, and optimize processes. It is particularly valuable when many input variables or factors potentially influence a response variable.
The process of RSM involves several key steps:
580

こちらも読む

関連記事

共著者、ジャーナル、引用グラフによってこの研究に関連する記事。

並び替え
Same author

Visual Evoked Potentials as a Biomarker for Visual Hallucination Pathway Integrity in Late-Stage Alzheimer's Disease.

Clinical EEG and neuroscience·2025
関連記事をすべて見る

関連する実験動画

Updated: Jan 8, 2026

Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
04:09

Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma

Published on: October 10, 2018

8.6K

統合失調症におけるrTMS治療反応の解釈可能な機械学習による予測：SHAPベースの分析

Jingyuan Lin1

  • 1Department of Neurology, Fujian Provincial Geriatric Hospital, Fuzhou, Fujian 350003, China.

Therapeutic advances in psychopharmacology
|December 19, 2025
PubMed
まとめ
この要約は機械生成です。

機械学習モデルは、統合失調症に対する反復経頭蓋磁気刺激（rTMS）の個別反応を予測できる。主要な予測因子には、ベースライン機能および症状の重症度が含まれ、個別化治療戦略に役立つ。

キーワード:
SHAP臨床的予測因子機械学習rTMS統合失調症治療反応

さらに関連する動画

MRI-guided dmPFC-rTMS as a Treatment for Treatment-resistant Major Depressive Disorder
08:20

MRI-guided dmPFC-rTMS as a Treatment for Treatment-resistant Major Depressive Disorder

Published on: August 11, 2015

14.5K
Individualized rTMS Treatment for Depression using an fMRI-Based Targeting Method
07:12

Individualized rTMS Treatment for Depression using an fMRI-Based Targeting Method

Published on: August 2, 2021

4.1K

関連する実験動画

Last Updated: Jan 8, 2026

Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
04:09

Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma

Published on: October 10, 2018

8.6K
MRI-guided dmPFC-rTMS as a Treatment for Treatment-resistant Major Depressive Disorder
08:20

MRI-guided dmPFC-rTMS as a Treatment for Treatment-resistant Major Depressive Disorder

Published on: August 11, 2015

14.5K
Individualized rTMS Treatment for Depression using an fMRI-Based Targeting Method
07:12

Individualized rTMS Treatment for Depression using an fMRI-Based Targeting Method

Published on: August 2, 2021

4.1K

科学分野:

  • 神経科学
  • 精神医学
  • 人工知能

背景:

  • 統合失調症における反復経頭蓋磁気刺激（rTMS）の個別反応は非常にばらつきが大きい。
  • rTMS治療決定を導くための予測的臨床ツールの欠如。

研究 の 目的:

  • 統合失調症患者における個々のrTMS治療反応を予測するための機械学習モデルの開発と解釈。
  • rTMS療法への反応を予測するベースライン臨床的特徴の特定。

主な方法:

  • 陽性・陰性症候群尺度（PANSS）および全般機能評価尺度（GAF）スコアを含む156名の統合失調症患者のデータの後ろ向き分析。
  • 人口統計学的および臨床的特徴を用いた複数の機械学習モデル（ランダムフォレスト、XGBoost、SVM、ロジスティック回帰）のトレーニングと評価。
  • モデル解釈のための交差検証、時間的ホールドアウトセット、およびShapley Additive Explanations（SHAP）の利用。

主要な成果:

  • ランダムフォレストモデルは、交差検証されたAUC 0.84および時間的ホールドアウトAUC 0.70で最高の予測性能を示した。
  • 中程度のベースラインGAFスコアと高いPANSSスコアが、rTMS反応の有意な予測因子として特定された。
  • モデル性能は100例前後でプラトーに達し、信頼性の高い予測に十分なデータがあることを示唆している。

結論:

  • 解釈可能な機械学習モデルは、統合失調症における個々のrTMS反応に関連するベースライン特徴を特定できる。
  • これらの発見は、rTMS療法を最適化するための個別化介入の可能性を支持する。
  • これらの予測モデルの一般化可能性を確認するには、外部検証が必要である。