講演情報
[2I6-OS-7b-01]変分エネルギーランドスケープ解析が明らかにするCOVID-19緊急事態宣言中およびその後の集団的傾向と個人的異質性
〇堤 真人1,2、久保 太聖3、加藤 隆弘3、本田 直樹2 (1. 筑波大学、2. 名古屋大学、3. 北海道大学)
キーワード：
機械学習、エネルギーランドスケープ
精神疾患は、静的な状態ではなく、状態間の遷移や安定性を伴う動的なシステムとして理解されるべきである。特に重度抑うつなどの病理状態は、脱出困難な安定状態としてモデル化できるが、従来の横断的評価では、同一点数の背後にある動的な個人差を識別できない。この潜在構造の解明は、予後予測や介入の個別化において極めて重要である。
本研究では、精神状態の構造と遷移特性を定量化するため、エネルギー地形解析を用いる。従来の手法であるPairwise Maximum Entropy Model（pMEM）は、推定に大量のデータを要するため集団平均の解析に限定されていた。そこで本研究では、階層ベイズ的枠組みに基づくVariational Expectation–Maximization for pMEM（VEM-MEM）を採用し、限られたデータから個人別のエネルギー地形推定を可能にした。
本手法を、COVID-19緊急事態宣言中およびその後に取得されたうつ病スクリーニング評価（PHQ-9）の縦断データに適用した。その結果、集団レベルの傾向だけでなく、精神状態の安定性と遷移構造における個人的な異質性を可視化することに成功した。
本研究では、精神状態の構造と遷移特性を定量化するため、エネルギー地形解析を用いる。従来の手法であるPairwise Maximum Entropy Model（pMEM）は、推定に大量のデータを要するため集団平均の解析に限定されていた。そこで本研究では、階層ベイズ的枠組みに基づくVariational Expectation–Maximization for pMEM（VEM-MEM）を採用し、限られたデータから個人別のエネルギー地形推定を可能にした。
本手法を、COVID-19緊急事態宣言中およびその後に取得されたうつ病スクリーニング評価（PHQ-9）の縦断データに適用した。その結果、集団レベルの傾向だけでなく、精神状態の安定性と遷移構造における個人的な異質性を可視化することに成功した。