398740_ja-JP

liliconcom

JMP Pro 16（2021-US-30MP-893）を使用してうつ病のサブクラスを特定するための潜在クラス分析

レベル：初心者

 

Karishma Yadav、シンガポール経営大学学生
SEET Fei Fei Sue-ann、シンガポール経営大学学生
TAN Yi Ying、シンガポール経営大学学生
ティンソン、シンガポール経営大学コンピューティング情報システム学部准教授

 

WHOによると、「うつ病は世界中の障害の主な原因であり、世界全体の病気の負担の主な原因です」。 うつ病患者のケアにおける大きな障害は、うつ病の重症度の正確な診断のままです。 うつ病の重症度を診断および決定するために、9つの質問の機器であるPatient Health Questionnaire（PHQ-9）が広く使用されています。 ただし、9つの質問への回答の合計に基づいて一般的に使用されているうつ病の重症度の5つのカテゴリは、過度に主観的でした。この制限を考慮して、私たちの論文は、JMP Proの潜在クラス分析を使用して、うつ病の重症度クラスを決定するためのデータ駆動型の客観的アプローチを提供する方法を示すことを目的としています。この研究は、米国疾病管理予防センターが実施した、国民健康栄養調査（NHANES）2017-2018のメンタルヘルス-うつ病スクリーナーを使用して実施されました。分析結果は、潜在クラス分析が、従来の5カテゴリー法よりもうつ病クラスの特徴の理解を向上させることを明らかにしています。   

 

 

 

自動生成されたトランスクリプト...

 

スピーカー	トランスクリプト
Karishma YADAV	こんにちは。
Yi Ying TAN	こんにちは。
Karishma YADAV	申し訳ありませんが、あなたが結婚するのが聞こえません。
Yi Ying TAN	私、ごめんなさい。
Karishma YADAV	ええ、私はあなたを聞くことができます。
ラリー・ラルッソ	今、私はこれがうまくいくと想像します。
Karishma YADAV	ええ、それは動作します。
ラリー・ラルッソ	いいでしょう
	すみません、おもしろいです。
	どういうわけか、私のラップトップのマイクはJMPの外で私を迎えに来ません。
	私は何度もJMPをしなければなりませんが、誰かが言うたびに聞こえないことを知っています。
	君たちはやっている。
Karishma YADAV	私たちはうまくやっています。
ラリー・ラルッソ	私はあなたの体が好きですそれはクリシュナがあなたが言っていることです。
Karishma YADAV	ええ、それはスコットランド人です。
ラリー・ラルッソ	アイルランドのMMAニース。
	私はそれを認識しています。
	良い。
ラリー・ラルッソ	そして、彼はあなたが言う方法です。
Yi Ying TAN	はいはい。
ラリー・ラルッソ	ええ、これをしてくれてありがとう。
	話を録音するために時間を割いていただきありがとうございます。本当に私はここにいるので、制作の面でちょっとしたお手伝いをします。
	左上隅に気付いた場合は、自動的に録音していることがわかります。両方とも問題がないことを確認したいだけです。
Karishma YADAV	ああいいよ。
ラリー・ラルッソ	素晴らしいなど。
	私たちの意図は、明らかに、これを発見会議の一部にすることであり、community.comのコミュニティページに配置する予定です。
	ですから、実際には会議を超えて生きることになり、人々はそれにアクセスできるようになります。皆さんもそれに満足していますか。
Karishma YADAV	ええ、いいです。
ラリー・ラルッソ	素晴らしいありがとうございました、これらは2つの法的な質問です。
	そして、あなたの背景は素晴らしく見えます。ロゴの侵害がないこと、または以前に記録したすべてのものが素晴らしいものであることを確認したいのですが、これはディスカバリーサミットを行うのは初めてです。
Karishma YADAV	ええ、これは初めてです。
	わかった。
ラリー・ラルッソ	それでは、皆さんが行く時間になったときにお知らせします。おそらく新しいものになります。
	ヘッドホンを使って、あなたが話している限り私のビデオを削除します。私は画面にポップアップするべきではありませんが、そうすれば、彼が誤って表示される可能性はないので、いつ行く時間です。ビデオをオフにします。
	そして、あなたはただ自分自身に話しかけているように感じますが、私は聞いて、すべてが順調に進んでいることを確認しています。ビデオは見栄えがよく、スライドのすべてが見つかります。
	それは何らかの理由で、そして私はおそらく何らかの理由で何かがグリッチした場合に、これらのダース以上を記録しました。
	ミュートを解除して、停止する必要があると言います。再録音する必要がありますが、それが起こるとは思わないので、トラックをオンにして最初から最後まで話します。 。
	もしあなたのどちらかがおやおや、それを完全に台無しにしたと感じたら、それは私が言いたかったことではありません。
	あなたはそれをすべきです。
Yi Ying TAN	わかった。
ラリー・ラルッソ	しかし、私はあなたがここでの意図がこれでかなりカジュアルであることであり、それが完璧である必要はないというような人々を心配しないことをお勧めします。
	私が言ったように、私が心配する唯一のことは、あなたがイベントサイドで私がするのをちょっと待つようなものだった場合、またはあなたが何か間違ったことを言った場合、私たちにはただ私を言う能力があることに気づいたということですmで再開しますが、問題ありませんが、私が言ったように。
	私たちを見ている人々は非常に、非常に寛容になるでしょうそれはそれがそれであるそれはそれが私がそれについて心配しないであろうズームコールであるということです、何かひどいことです。
Yi Ying TAN	シンガポールでの午後30時、あなたはそれ以上のことをするあなたの計画のように、あなたは知っています。
	一度。
ラリー・ラルッソ	もう一つはです。
	あなたが私に口頭の手がかりを与えてくれるので、あなたのどちらが最初に始めようとしているのかわかりませんが、あなたが言うだけなら。
	参加していただきありがとうございます。私たちの講演などへようこそ。それは、彼女が彼女であることを確認するための出発点となるからです。
	ここから始めたいと思います。最後に、ご不明な点がございましたら、ご参加いただきありがとうございます。
	下部にコメントがある作成されたページがあるので、チャットなどに自由に入力してください。
	または、参加してくれてありがとうと言いたいだけなら、連絡先情報なのか、音声の開始点と終了点を教えてくれるものなのかわからないので、そのビデオを切り刻んで見栄えを良くすることができます。 。
	そして最後に言うこと、そして実際に皆さんにプレゼンテーションをさせます。
	これの3つの異なるバージョンを記録していますか？
	1つはスライドだけで、スライダーが画面全体を占めるようにします。もう1つは、おそらくあなたが今私をどのように見ているのかを話します。私は少し外国人を連れて行っているので、フライは80％を占めます。画面の。
	そして3つ目はです。
	それはあなたがフルスクリーンであり、スピーカーのみであり、ほとんどの場合あなたのスライドとあなたがいるので、私たちはそれを行っています。
	しかし、バラエティのために数分以上スライドにぶら下がっている場合は、20秒間話してから戻ったように、あなたが知っている写真だけでフロップする可能性があります。
	つまり、3つの異なるバージョンがあり、いくつかの非常に優れたバージョンがあります。
	参加して、それをどのように表示するかについてクリエイティブな決定を下すプロデューサーは、テレビ番組のように、あなたが知っているようにJMPを行ったり来たりする可能性があることを知っています。ほとんどの場合。
Karishma YADAV	いいですね。
ラリー・ラルッソ	さて、他に質問はありますか。
Yi Ying TAN	うん。
Karishma YADAV	したがって、再取得する必要がある場合。
	たまたま、それは再開するのでしょうか、それとも私たちはずっと間違ったところから始めなければならないのでしょうか。
ラリー・ラルッソ	つまり、20分のトークしかない場合は、40分のレコーディングが行われる可能性があります。つまり、最初の1分間をなんらかの理由で切り落とすのがいかに簡単かを知っていれば、それでいいのです。
	自分自身にそれほど苦労しないでください、しかしあなたが私が本当にラリーだけを再開したくないと感じたら、私はもう一度始めて、それから言うつもりです。
	私の話へようこそ、あなたが知っている、そしてそれから私たちは最初のバージョンがそれを取り除くことを知っているでしょう、そうそう私たちは再起動する必要はないでしょう私たちは電話を切るまでただ働くつもりです。
	チョッピングします。
Yi Ying TAN	わかった。
ラリー・ラルッソ	ありがとう、私は他に何も持っていません、私はあなたを確認したいと思います。
	あなたの音は素晴らしく聞こえます背景は素晴らしく見えます。
	私たちは行ってもいいと思うので、これをあなたに引き渡すつもりです、そしてまた私はずっと聞いています、それであなたが質問があるか、あなたがやめる必要があるか何かがそうでなければ私に知らせてください話を楽しんでください、私はします。
	終わったらお話しします。
Yi Ying TAN	ありがとうございました。
	だからいつでも始めることができます。
ラリー・ラルッソ	さて、始めてください。少し時間を取って準備をしたい場合は、スライドがすでにアップしているように見えるので、準備ができたらいつでも、私に参加してくれてありがとうと言ってください。
Yi Ying TAN	と
ラリー・ラルッソ	自分をミュートして、ビデオをオフにします。
	ありがとうございました。
Yi Ying TAN	おはようございます。 まず、私たちのプロジェクトを最終候補に挙げてくれた委員会に感謝します。JMPディスカバリーサミットに参加できて光栄です。
	プレゼンテーションを開始したり、チームを紹介したりする前に、私たちはSMUのビジネスプログラムのマスターです。 私はイーです。今日はカリシュマとスーアンがいます。
	ティンソンカムは私たちの教授です。 彼には他のコミットメントがあるので、彼は今日私たちに加わっていません。 したがって、この表紙からわかるように、
	このプロジェクトでは、JMPProを使用してうつ病のサブクラスを特定するための潜在クラス分析の使用を研究します。 プレゼンテーション中に、潜在クラス分析を参照するためにLCAの短縮形を使用する場合があります。
	わかった。
	私たちのプロジェクトの背景を詳しく説明するために、私たちはうつ病に注目しています。うつ病は、すべての年齢の10代と大人の間でますます一般的になっている精神疾患です。 WHOによれば、
	世界保健機関、うつ病は世界中の障害の主な原因であり、それは病気の全体的な世界的な負担の主な原因です。
	うつ病の重症度を正確に診断する能力は、うつ病患者のケアにおける重要な障害でした。
	うつ病の診断を助け、重症度を判断するために一般的に使用される質問票があります。
	それはPHQ、公衆衛生アンケートと呼ばれています。
	それは9つの質問の楽器です...
	これらの質問が含まれています。 最初のものは...最初のものはあなたが物事をすることにほとんど興味がないということです。第二に、あなたは落ち込んでいるか、絶望的だと感じます。
	三つ目は、寝苦しいですか、寝過ぎですか？ 4つ目は、倦怠感がありますか、それともエネルギーが少ないですか。
	5番目の質問は、食欲がないのか、それとも食べ過ぎなのかということです。 そして、次のいくつかの質問にもあります...私たちは持っています、あなたは自分自身について気分が悪いですか？
	あなたは物事に集中するのに苦労していますか？ そして8番目の質問は、あなたは動くのか、それともゆっくり話すのか、それとも動くのか、話すのが速すぎるのかということです。 私たちが私たちのプロジェクトに含めた最後の質問は、
	自殺願望はありますか？
	A、B、C、D。右側にテーブルがあります。このテーブルを読むと、AとBのスコアが同じ10であることがわかります。
	そして、重大度は中程度と見なされます。 一方、CとDは同じスコア20であり、PHQ-9ではひどく落ち込んでいると見なされます。
	そのため、インタビュアーは、症状をどのくらいの頻度で経験したかを0から3のスケールで尋ねます。 ご覧のとおり、ご存知のように、このテーブルの応答は主に0、1、2、および3のようになっています。
	ゼロは、症状が発生していないことを意味し、ほぼ毎日、3が最も頻繁に発生します。 全体的なスコアは、0から27までの9つの質問すべての回答を合計することによって導き出されます。
	ここでCとDの結果をさらに深く掘り下げると、
	どちらもスコアが20であることがわかりますが、発生している症状はまったく異なります。 たとえば、Cは自分自身についてしばしば気分が悪くなります。
	ここでは、ご存知のように、申し訳ありませんが、私は別の権利をもっと指し示していますが、Dはそれを感じたことはありません。
	そして、Cが自殺念慮を持っていることはめったにありませんが、Dはほぼ毎日それを経験しています。 ここでの質問は、
	この症状は、うつ病の診断に同じ貢献をしていますか？ したがって、臨床的見地から、PHQ-9はうつ病の重症度を測定する有効な手段であると評価されています。 しかし、私たちのチームは人気のあるものに意見を述べました...これは一般的に使用されています
	応答の合計に基づくうつ病の重症度の5つのカテゴリー
	過度に主観的です。
	したがって、私たちのプロジェクトの目的は、JMPの潜在クラス分析を使用してデータ駆動型と
	そのうつ病の重症度クラスを決定するための客観的アプローチ。 分析結果は、LCAが従来の5つのカテゴリーの方法よりもうつ病クラスの特徴の理解を向上させることを明らかにしています。
	そのため、2017年から2018年までの国民健康栄養調査のアンケートデータセットから取得した9つの質問の同じセットを使用して、LCAを使用して5,000人の回答者を分類します。
	うつ病の重症度クラスに。 次に、それを単なる応答の合計を使用しているPHQ-9の結果と比較します...
	うつ病の重症度レベルに到達するための応答変数。 このクラスの比較により、2つの方法間のうつ病クラスの重症度の違いが明らかになります。
	ええ、次のスライドで詳細を説明します。
	私たちが最初にデータを準備した方法、それで私たちは最初に、私が今言及した数年間、2017年から2018年までの全国健康栄養調査から公開されているデータセットをダウンロードしました。
	回答者が異なる期間で回答する方法に違いがあるのではないかと少し心配したため、データ品質を維持するためにこれらの年のデータのみを使用します。 次に、JMPProでデータを整理します。
	JMPPro16を使用しています。 データセットには、元々合計10列あります???反応。
	しかし、最後の質問は統合の質問のようなものであることに気づきました。 これらの問題があなたの仕事をしたり、家で物事を世話したり、人と仲良くしたりするのをどれほど難しくしたのか、と尋ねられます。 だから
	統合の問題であるため、作業から除外しました。
	その後、欠落値のチェック、潜在分析に適した変数を反映するように一部の列の名前の変更など、いくつかのデータクリーニングと準備の手順を実行します。
	PHQ-9スコアも新しい列にまとめられ、うつ病の重症度の5つのカテゴリ、つまり、なし、軽度、中程度、中程度の重症度、および重度に記録されました。 それで、最後に潜在クラス分析を実行し、結果を解釈します。
	そこで、実行した分析の詳細な手順を説明します。 まず、JMP Pro 16を使用してLCAを実行し、異なるパターンを持つインタビュー対象者をクラスターにグループ化しました。
	また、クラスタリングモデルを選択する方法は、これらのモデルのBIC値とAIC値に基づいています。
	モデルレポートから、潜在クラス間の分離を特定するために、それぞれの変数の効果量を評価しました。
	そして、それは個人を異なる...正しい潜在クラスに分類することの正確さを示しているからです。 また、対数価値の値を調べて、モデルに対する各変数の影響を判断します。
	次に、分割表分析を実行して、LCAクラスを従来のPHQ-9メソッドを使用して導出されたうつ病重症度クラスの5つのカテゴリーと比較しました。
	私たちの仮説は、私が言及した応答の合計に基づいて、一般的に使用されているPHQ-9は、個々の変数の統計的...統計的重みを考慮していないため、過度に主観的であるというものです。 これをLCAの結果と比較すると、
	統計的手法。これにより、結果の有効性...有効性をより適切に調べることができます。
	それで、これで、私はKarishmaに引き渡して、調査結果と結論についてもっと話してもらいます。
	あなたに、カリシュマ。
	あなたは無言です、カリシュマ。
Karishma YADAV	あ、ごめんなさい。
	ありがとう、イー。 皆さんこんにちは。 KarishmaYadavです。プレゼンテーションを進めます。
	したがって、メンタルヘルスの分野の研究者が個人のサブグループを特定できることが重要であることを私たちは知っています
	メンタルヘルスの症状や強さのパターンが似ている一般集団内では、これらのグループをさらに調査して、どのメンタルヘルスクラスが一般的に普及しているかなどの問題を調査できます。
	そして、彼らが予測する将来の結果と、メンタルヘルスのクラスが時間とともに変化するかどうか。 さらに、これらのサブグループを特定することは、開業医にとって重要です
	メンタルヘルスの症例を治療および予防するために現場で。 したがって、サブグループを識別するためのますます一般的な方法は潜在クラス分析です。これは...LCAと省略されます。
	これからプレゼンテーションで。 したがって、LCAは断面潜在変数混合モデリングアプローチです。 すべての潜在変数混合モデリングアプローチと同様に、LCAは母集団内の不均一性を見つけることを目的としています。
	これは、メンタルヘルス指標などの個人の行動パターンを分析し、クラスと呼ばれる一般的なタイプを見つけることによって行われます。 したがって、各個人は確率的にクラスに割り当てられます。
	これは、表示される式を使用して計算されます。 そして、結果は、互いに最も類似していて、他のクラスのものと最も異なる個人のサブグループです。 次のスライド。
	これが、JMPPro16でLCAモデルを構築する方法です。 先にYiが述べたように、前処理ステップで作成しました
	PHQ-9変数は、9つの入力変数、PHQ-9質問で尋ねられる質問、および0から27の範囲のPHQ-9スコアを合計することにより、5つのクラスに到達するために使用されます。
	クラスは、臨床医による多くの医療診断で広く使用されているカットポイントに基づいています。 したがって、クラスはYiによって以前に言及されています
	なし、軽度、中程度、中程度に重度、および重度。 そこで、前処理後、クラスタリング分析手法としてLCAを選択し、JMP Proでモデルを構築することを決定し、PHQ-9潜在の9つの質問を選択しました。
	ここに示す入力機能として。 そこで、最適なモデルを見つけるために、3から15の範囲のクラスターに対してLCAモデルを実行しました。
	次のスライド。
	つまり、これはLCAの結果です。 最新のクラスモデルは繰り返し推定され、潜在的なクラスを追加して、データに最適なモデルを決定します。 したがって、最適なものを判断するには、多くの考慮が必要です。
	情報量基準を含みます。 そこで、ここでは情報量基準を使用しました。
	ご覧のとおり、クラスター5は、最も低いBICであるベイズ情報量基準を提供しています。 また、クラスター数を増やしてモデルを実行しようとしましたが、AICはクラス数の増加に伴ってシフトし続けたため、最適なクラスターサイズとしてBICを選択しました。
	そのため、アンケートの回答に基づいて、個人を5つのクラスに分けました。 次のスライド。
	したがって、これらは、各クラスの個人の分布と各変数の応答の割合を示すグラフです。
	したがって、各クラスの9つの変数のそれぞれの応答...応答確率も表示されます。 したがって、クラスター1では、
	すべての変数が主要な応答としてはまったくなく、これが最も低いリスクです
	集まる。クラスター2では、応答変数としてまったくない割合が減少し、
	応答として数日の割合が増加しました。 クラスター3は、応答として数日と半日以上の割合を増やし、クラスター4と5は、これらの高周波応答の割合をさらに増やしました。 次。
	なし、軽度、中程度、中程度に重度、および重度。
	したがって、クラス1のサイズは約48％であり、このクラスの個人は抑うつ症状をまったく経験していないか、9つの変数すべてに対して応答がまったくありません。 このグループの個人には、うつ病を経験するリスクはありません。
	クラス2の症状は軽度で、サイズは約24％です。
	個人...このクラスの個人には、ここにリストされている2つの主要な機能があります。これらは、睡眠に問題があるか、睡眠が多すぎることです。
	週に数日、疲れを感じているか、週に数日エネルギーが少ない。 そしてクラス3の個人
	中等度の症状があり、クラスのサイズは約11％です。彼らの70％は、週に数日、倦怠感やエネルギー不足を感じていると回答しています。 また、クラス2に記載されている症状の重症度の増加も経験しました。
	さらに、彼らはまた、物事を行うことに興味がない、落ち込んで落ち込んでいる、絶望的であるなどの他の症状を経験しました。
	クラス4のサイズは10.44％であり、このグループの個人はさらに深刻な抑うつ症状を持っているため、9人中7人の抑うつ症状を経験します。
	かなり頻繁に。 次に、クラスサイズが約6％のクラス5があります。 彼らは9つの症状すべてを経験し、重症度は
	とても高い。 彼らはそれを毎日のように、または半日以上経験します。 次のスライド。
	つまり、これらは9つの変数の効果量と対数価値です。 したがって、効果量は、ご覧のとおり、0から1の間の値です。
	効果量が大きいほど、潜在クラスに正確に分類される可能性が高いことを示します。
	したがって、入力変数の大部分は75％を超える効果量を持ち、一方、対数価値は、クラスターの予測における変数の有効性です。
	ログの価値が大きいほど、モデル内の変数は強くなります。 結果は、すべての変数が同じ対数価値の値を共有するわけではないことを示しています。
	これは、変数が診断に等しく寄与しない可能性があり、PHQ-9スコアの合計は、各変数がモデルで同じレベルの影響力を持っている場合にのみ正確で信頼できるという疑いを裏付けています。 だから次に。
	だから最後に、
	これは分割表です。 私たちが見ることができるように
	に由来する抑うつ症状
	PHQ-9の合計と分割表は、を使用して導出したクラスに到達しました
	レテントクラスの分析はまったく異なります。
	P値は約
	.001、
	これは、サンプリングエラーがないことを示しています。 したがって、これを行ったのは、約1,000回、1,000の異なるサンプルをサンプリングした場合に結果が一貫していることを正当化するためであり、そのうちの1つだけがこれとは異なる結果になります。
	次。
	したがって、最後に、LCAなどの統計的クラスタリングモデルを使用して導出されたうつ病の重症度レベルは、うつ病の重症度のより正確な評価を提供すると結論付けます。
	PHQ-9の応答の単なる合計を使用して導出されたものと比較。
	より信頼性が高く効率的であることが証明されているPHQ-99モデルを強化するために、それぞれの変数の重みを決定するために、さらに調査を行う必要があります。 これは重要
	個人のうつ病の重症度とうつ病人口の割合を過小評価しているため
	社会に重大なリスクを課します。 正確な診断方法がなければ、うつ病の予防と治療に必要な適切なリソースを決定することは困難になります。
	これでプレゼンテーションは終わりです。ビデオの下にあるコメントボックスで質問を歓迎します。 ありがとうございました。
ラリー・ラルッソ	優秀な。
	素晴らしいありがとうございました。
	私はそれにとても満足しています。つまり、あなたのスライドが素晴らしいと思ったのです。
Karishma YADAV	ありがとうございました。
ラリー・ラルッソ	ええ、あなたによれば、すべてが順調に進んでいます。私は何の問題も見ていませんでした。実際、非常に興味深い話をしました。
	どんなスティックがそれを持っているかに関しては、私はあなたたちの技術的なものほどではないことに非常に興味がありましたが。
	きっとポケットになります。
Karishma YADAV	ありがとうございました。
	うん。
ラリー・ラルッソ	さて、少し眠りましょう。
Karishma YADAV	うん。
ラリー・ラルッソ	今は11に近づいていますが、ええと。
	どうもありがとうございました。また、何か問題があるかどうか、そしてよろしければお知らせします。
	私は外部の人々と共有できるリンクを取得します。それを見て、どのように見えるかを確認したい場合は、すべての人に送信しますが、それは生のPになるので、すべてのフロントエンドのもの、そしてこのすべてのバックエンドのものが。
	あなたがただ興味を持っているなら、私は先に進んであなたの興味のためにそれをあなたに送ります、そしてそれから私たちがそれを生産することを知っています、あなたはそれを作るでしょう、あなたはそれを作るでしょう、あなたはインタラクティブで見栄えがするからです。
	さて、大丈夫です。
	ええええ、私はどんな場合でも素晴らしい一日の夜を過ごしています、そして私に参加してくれてありがとう。
Karishma YADAV	ありがとうございました。
ラリー・ラルッソ	さて、お会いできてうれしいです。
Karishma YADAV	ありがとう、ここでもおやすみなさい。
	あなたへの朝。
ラリー・ラルッソ	バイバイ。
	こんにちは。

 

起こるデータアクセスと操作ePoster品質と信頼性