がん治療後のメンタルヘルス状態をモニタリングするための連邦人工知能ソリューションに関する前向き観察研究 (FAITH): 研究プロトコル

BMC精神医学第22巻、記事番号：817（2022）この記事を引用

1517 アクセス

9 オルトメトリック

メトリクスの詳細

うつ病は、病気の経過のいくつかの時点において、がん患者によく見られる症状です。一般人口よりも高い有病率を示していますが、多くの場合、報告されないか、気づかれないままです。さらに、うつ病の身体症状は腫瘍学の分野では一般的であり、がんの一般的な症状として無視されるべきではありません。治療後の心理的苦痛を追跡することは、通常、医療システムとのつながりが散発的になるため、さらに困難になります。 FAITH プロジェクトの主な目標は、プライバシーの最適化に向けて、連合機械学習 (ML) アプローチに基づいて、がん生存者の抑うつ症状をリモートで特定して予測することです。

FAITH はうつ病マーカーをリモートで分析し、そのネガティブな傾向を予測します。これらのマーカーは、栄養、睡眠、活動、音声という個別のカテゴリーで扱われ、部分的にウェアラブル技術を通じて評価されます。この研究には、以前に乳がんまたは肺がんと診断されたことのある患者300人が含まれ、原発がん終了後1～5年後に募集される。この研究は、がん生存者のうつ病の症状と生活の質を評価するための毎月の評価を伴う、12か月の縦断前向き観察コホート研究として組織されます。主要評価項目は、3、6、9、12 か月目にハミルトンうつ病評価スケール (Ham-D) で測定したうつ病の症状の重症度です。副次的アウトカムには、自己申告の不安とうつ病の症状 (HADS スケール)、および知覚された質が含まれます。ベースラインおよび毎月の寿命（EORTC アンケート）。 FAITHは、研究中に収集された予測モデルに基づいて、ユーザーの個人データに直接アクセスせずにうつ病の予測と監視のための機械学習モデルを構築できる概念的な連合学習フレームワークのさらなる開発も目指します。

精神医学的評価の客観性の向上が必要である。ウェアラブル技術は、うつ病や不安の潜在的な指標を提供し、バイオフィードバックに使用できます。 FAITH アプリケーションが効果的であれば、腫瘍学の現場でうつ病の症状をスクリーニングするための斬新で革新的な方法が医療システムに提供されることになります。

トライアル ID: ISRCTN10423782。登録日: 2022/03/21。

査読レポート

2018 年にヨーロッパでは推定 390 万人の新たながん患者が発生しました [1]。がんのスクリーニングと早期診断の進歩により、がんの生存率は過去数十年で大幅に増加し、がんと診断された患者の約半数は10年以上生存すると予想されています[2]。がん生存者は、病気や治療によって引き起こされるさまざまな身体的および/または心理社会的後遺症に直面する可能性があります。多くの場合、これらの患者は、痛み、疲労、認知障害、性機能障害、睡眠障害、苦痛、不安、うつ病などの症状を報告します[3、4、5]。

うつ病と不安はどちらもがん患者によく見られる症状であり、一般集団と比較して有病率が高くなります[6]。注目すべきことに、不安/うつ病を患っている被験者の割合は、がん診断から5年までのがん生存者の間でより高い[7]が、そのような症状は気づかれないことが多いか、がんの一般的な症状として無視されることが多い[4、8]。最近の総説 [3] では、長期がん生存者のうち、抑うつ症状のある患者の罹患率を合計すると 21% であると推定されています。うつ病が最終的に診断され治療されるまで、これらの患者はかなりの苦しみを経験し、生活の質が大幅に低下したことを経験します。未対処および/または未治療のうつ病患者は、症状負担の悪化を経験する可能性が高く、運動する可能性が低く、生活の質が低下し、家族の心理的負担が大きくなり、医療の利用と支出が増加する[9,10,11]。 ]。また、うつ病は自殺率の増加に関連している可能性があります[6]。したがって、うつ病の症状を早期に特定することは非常に重要です。

がん生存者の心理的問題に焦点を当てたほとんどの研究は、主に患者がまだ病院で定期的な経過観察に参加している診断後最初の数年間の心理的問題の有病率を調査している[12、13]。逆に、診断後最初の数年を超えたがん生存者のうつ病や不安症の有病率については、これまでのところあまり注目されていません。それにもかかわらず、一般の女性集団と比較した場合、乳がんから2年以上生存した患者ではうつ病の症状の有病率が高いことが報告されている[14]。重要なことは、ほとんどの病院でのがんの追跡調査スケジュールは、治療終了後、6 か月または 1 年の来院に短縮され始めるということです。この期間中、患者と医療環境とのつながりは限られています。

自己報告手段は、うつ病の症状を検出し、その重症度を評価するために臨床現場でよく使用されます[15]。それらは迅速で、投与が簡単で、安価であるという利点がありますが、うつ病性障害の他の症状ではなく、心理的および認知的症状に依存しています。それにもかかわらず、疲労、食欲不振、睡眠障害などの身体症状は、がんに関連してうつ病を診断する際に関連するため、それらも慎重に考慮する必要があります[16]。重要なのは、スクリーニング設定で使用される自己評価および症状重症度スケールは、構造化または半構造化された臨床面接を必要とするうつ病の臨床診断を下すのに適切ではないことです。がん患者では、不眠症とともに、入眠障害や寝つきの悪さ、寝すぎ、疲労感やエネルギー不足、食欲不振や過食、集中力の低下などの身体症状のほうがうつ病の診断精度が高いと報告されています。症例発見およびスクリーニング特性に最適な症状 [16]。食欲の変化は、うつ病やがん患者における最も顕著な身体症状としても報告されています[17、18]。重要なことは、うつ病の身体症状はがん患者によく見られることですが、うつ病ではない場合でも、うつ病の場合はさらに一般的であるため、考慮する必要があります[16]。

栄養、食欲、体重の調節は、がんとうつ病の両方に関連する役割を果たしています[19、20]。うつ病の症状、食欲、体重調節障害の間には双方向の関連性があります[20、21]。うつ病患者は食欲の低下または増加を経験することがありますが、この現象はがん生存者も含めて十分に理解されていません[21]。睡眠障害もがん患者によく見られ、30% ～ 60% が不眠症を経験していると報告されており [22]、がん治療後も不眠症が何年も続く可能性がある [23]。重要なのは、一般集団において、不眠症はうつ病と関連しているだけでなく、うつ病発症の独立した危険因子であることが示されたことである[24]。さらに、がん患者における睡眠障害とうつ病との強い関連性が報告されています[25、26]。疲労や気力の喪失は、がんとうつ病の両方に大きく関係しています。実際、これは精神障害の診断と統計マニュアル (DSM) の分類の中で 2 番目に頻繁に報告されているうつ病の基準であり、大うつ病性障害 (MDD) 患者の 87.9% が経験していることが明らかになりました [27]。腫瘍学的背景。疲労やエネルギーの喪失を呈している人は、身体活動 (PA) のレベルが低い傾向にあります。実際、うつ病の人は、うつ病でない人に比べて身体活動が少なく、体調が悪化していることが以前に示されています[28]。興味深いことに、うつ病におけるPAの利点を評価する研究の数が増えており、PAが効果的な介入であることが確認されています[29]。さらに、予防レベルでは、MDD 発症のリスクに対する PA の保護的役割が確固たる証拠によって裏付けられている [30、31]。最後に、音声パターンが精神障害の指標となることが知られています。報告は1921年に遡り、クレペリンはうつ病患者の声はピッチが低く、単調な話し方、音の強さ、話速が低い傾向があり、さらにためらい、吃音、ささやき声が多い傾向があると述べている[32]。重要なことに、研究では、音声/スピーチ分析がうつ病の重症度 [33、34] および抗うつ薬治療の反応 [35、36] の強力な予測因子であることが示されています。実際、スピーチはうつ病の状況においていくつかの利点を示します。その内容は感情を表現する直接的な方法である一方、運動および音響の変化は言語間で一般化できる神経変調の間接的な尺度です[37]。

うつ病の評価は通常、症状に基づいた質問を通じて行われ、通常は一般的な身体スケールや精神病理学のより一般的な測定などの手段を使用します。しかし、理想的には、身体症状の特徴が、関連する現象とともに測定されることになります。したがって、うつ病の重症度を捉える、客観的で非侵襲的で生理学的に基づいたマーカーの開発は、臨床研究に新たな道を提供し、最も直接的にはメンタルヘルスの状況における診断機器の開発に道を提供するでしょう。さらに、今日ではスマートフォン、タブレット、コンピューターを使用して音声や活動のパターンに関するデータを収集することが容易になってきています。したがって、診療所および/または遠隔で収集されたデータを使用する技術は、うつ病の診断を改善するための有望な可能性を示し、信頼できるバイオマーカーとなる可能性があります。

情報通信技術 (ICT) は、うつ病などの慢性疾患の患者を支援できるイノベーションを提供してきました。これには、医療専門家による遠隔評価を行う、さまざまな種類の生理学的データや行動データを通信できるデバイスの使用から、特定の健康上の問題への介入のために設計されたモバイルアプリケーション (アプリ) まで、多岐にわたります。精神医学的評価の客観性の向上は、機械学習 (ML) 手法の使用と並行して、センサー (ウェアラブル、スマートフォン、カメラなど) を使用した健康関連データの収集によって約束されています [37]。体温、動き、心拍数などの生物学的および行動的指標を測定する時計、指輪、衣服などのウェアラブル機器は、不安やうつ病の潜在的な指標となる可能性があり、バイオフィードバックを提供するために使用されます[38]。さらに、スマートフォンは、うつ病などの気分障害を検出するために、音声や活動データを含む重要な測定値を提供できます[39]。それにもかかわらず、ほとんどの医療データは、法的、プライバシー、技術的、およびデータ所有権の課題により、特に国際機関においては入手が困難です [40]。この問題に対する新たな解決策は、トレーニングデータがユーザーのローカルデバイスから出ない ML への新しいアプローチである Federated Learning (FL) です。 FL は、従来のデータ共有方法で得られる同じモデルの 99% の精度で深層学習モデルをトレーニングできることを示しました [41]。したがって、将来的には、巨大な人工知能 (AI) 企業が所有するコンピューティングリソースを必要とせずに ML モデルがトレーニングされ、ユーザーはサービスの向上のためにプライバシーを侵害する必要がなくなると予想されます。

FAITH プロジェクトの主な目標は、がん生存者のうつ病マーカーをリモートで分析し、その傾向を予測することです。これらのうつ病マーカーは、栄養、睡眠、活動、音声など、いくつかの異なるカテゴリで扱われます。 FAITH プロジェクトの中心となるのは、たった 1 つの新しいデバイスであるスマートバンドの導入です。スマートバンドは、既存のスマートフォン機能と合わせて、ユーザーの健康データに十分な広さの網を掛けることができます。 FAITH アプリケーション (アプリ) は、基本的にバックグラウンドで実行され、ユーザー入力は最小限に抑えられるように設計されています。 FAITH は、研究中に開発された予測モデルに基づいて、概念的な連合学習フレームワークを開発することも目指しています。これにより、ユーザーの個人データに直接アクセスすることなく、うつ病の症状を予測および監視するための ML モデルを構築できるようになります。最適化されたモデルを使用すると、早期のスクリーニングと適切な介入がさらに可能になり、生活の質の早期改善につながる可能性があります。

FAITH プロジェクトの主な目的は、がん生存者のうつ病のリスクや傾向を遠隔で特定し、予測することです。このプロジェクトでは、FAITH アプリと、スマートフォン、スマートバンド、乳がんおよび肺がん生存者のアンケートから情報を収集するポイントオブケアソリューション (アルファ版) を使用します。 FAITH モデルには、社会人口学的要因、臨床的要因、心理社会的要因、うつ病マーカー (栄養、睡眠、活動、声) などの変数が含まれます。

第 2 の目的は、以下のいくつかの生体関連変数の有効性を判断することです。

確立されたうつ病マーカーと生活の質の長期的な進行を測定し、それらの関係を評価します。

がんのサブタイプ (乳がんまたは肺がん) に応じた予測変数と結果変数の潜在的な差異を調べる。

医療スタッフに事前の警告を提供し、タイムリーな介入を可能にする概念的な連合学習によるうつ病予測モデルを開発します。

がん治療における FAITH のソリューションの実現可能性と有用性を評価します。

主要アウトカムは、ベースライン後 3、6、9、12 か月目に、半構造化面接であるハミルトンうつ病評価スケール (Ham-D17) によって測定されるうつ病症状の重症度です。副次的転帰には、HADS スケールに従った自己申告の不安と苦痛、およびベースライン時および 12 か月目までの毎月の EORTC アンケートによって測定された知覚生活の質が含まれます。

この研究は、多施設の縦断的前向き観察コホート研究です。患者は、スペインのグレゴリオ・マラニョン総合病院（HGUGM）とポルトガルのシャンパリモー財団（CF）のシャンパリモー臨床センターの2つの臨床センターで募集される。

各パイロット施設は、定義された対象基準に従って乳がんおよび/または肺がん生存者を選択することを目的として、各臨床センターで収集された医療記録を検査することによって患者を曖昧に特定します。この研究は、がん生存者のうつ病の症状と生活の質を評価するために、毎月（±1週間）評価を行う12か月の縦断研究として設計されています（図1）。インフォームド・コンセントの署名と適格性スクリーニングを受けて、患者はベースライン評価を実施し、研究用 IT ツール (スマートバンドおよびスマートフォンアプリ) とそれぞれの説明書を受け取ります。患者は、自己評価アンケート (HADS および EORTC QLQ のグローバルおよび特定モジュール) に関して、FAITH モバイルアプリを通じて毎月の評価を提供します。患者は 3 か月ごとに臨床研究者から電話で連絡を受け、Ham-D17 面接を使用してうつ病の重症度をモニタリングされます (図 1)。その他の関心のある変数 (栄養、睡眠、活動、音声) は、FAITH モバイルアプリとスマートバンドを通じて継続的に監視されます (図 1)。研究中、プロトコルへの準拠を最適化するために、参加者は自動アラートによって欠落データについて通知されます。

FAITH 研究デザイン

対象サンプルはがんサバイバー計300人。 HGUGM は乳がん患者を募集し、CF は乳がん患者と肺がん患者の両方を募集します。患者は腫瘍専門医からこの研究を紹介されるか、研究チームのメンバーから連絡を受けます。がん生存者は、がんの一次治療を完了し、明らかに再発がんや持続がんがない人として定義されています[42]。より具体的には、再発リスクが低い一次治療終了後の期間 [43]: 一次がん治療終了後 [1～5] 年を検討します。

適格な参加者には、以下の基準を満たす乳がん患者と肺がん患者の両方が含まれます。

署名されたインフォームドコンセントを与えることができる

年齢 18 ～ 70 歳

スペイン語/ポルトガル語を母国語または流暢に話す人

Apple iPhone または Android ユーザーであること

Apple iPhone ユーザーの場合: デバイスに iOS 14 以降がインストールされている

Android デバイスユーザーの場合: Android 7 以降と Google Fit がデバイスにインストールされている

組織学的に確認された浸潤性乳がんまたは浸潤性肺がん

乳がん参加者は、診断および病理組織検査時にホルモン受容体（HR）陽性/ヒト上皮成長因子受容体 2（HER2）陰性のステージ I ～ III を持っている必要があります。 HR陽性/HER2陽性またはHR陰性/HER2陽性の疾患

肺がん参加者は診断時にステージ I から IIIA/B でなければなりません

最後の治癒目的治療から少なくとも1年以内、最長5年以内に、標準治療として（新規）補助化学療法+/-生物学的製剤、根治的手術、および/または補助放射線療法を受けている必要がある

進行中のホルモン療法、化学療法、またはその他の疾患に特有の治療を受けている患者は、再発のリスクを軽減するためにこれらの治療が行われる場合に含まれます。

パフォーマンスステータス (ECOG): 0 ～ 2

同意の付与、文盲、その他研究の指示を理解していないなど、研究に参加する能力が欠如している場合は、資格を失います。スマートフォン技術、特にタッチスクリーンの操作やデバイスの基本的なメンテナンス手順（充電、オンとオフの切り替え、通知の読み取り、電話の発信、テキストメッセージの送受信など）が使用できないことを示した個人も、不適格とみなされます。患者のスマートフォン技術の使用能力は、スマートフォンを使用してメールを確認したり送信したりできるかどうかを尋ねることによって評価されます。

臨床的除外基準には以下が含まれます。

遠隔転移

炎症性乳がん

小細胞肺がん

適切に治療された基底細胞または扁平上皮皮膚癌または上皮内治癒切除された子宮頸癌を除き、現在の腫瘍性疾患の診断前5年以内に治療が完了した過去の浸潤性悪性腫瘍

臨床的に重大な急性医学的疾患、またはその他の進行性で管理が不十分な付随疾患。たとえば、以下の心疾患の例: うっ血性心不全、症候性冠動脈疾患または薬剤で十分に管理されていない不整脈、または過去12か月以内の心筋梗塞

-研究参加前4週間以内に患者の心理社会的健康に影響を与える可能性のある重篤な疾患または外傷の大手術（心臓または腹部の大手術など）、または手術の影響から完全に回復していない患者

研究者の裁量により、このプロトコルの遵守を妨げる過去6か月以内の重篤な病気の治療

採用時に妊娠中または授乳中であること

MINI (バージョン 7.0.2) (診断) および/または Ham-D17 (重症度) に基づくベースラインでの現在の中等度から重度の大うつ病エピソードの診断

MINIによって報告または検査された、現在または過去の軽躁病または躁病エピソード、現在または以前の精神病性障害、または精神病症状を伴う現在の気分障害、および過去12か月間の薬物乱用または依存症

採用時に緊急治療または入院を必要とする精神疾患の存在

神経障害またはこれまでに知られている中枢神経系の主要な構造的病変の存在

知能指数が低い発達障害またはその他の認知障害

研究中、いくつかの資料を使用して、関心のある主な変数、つまりうつ病と生活の質を収集します。 DSM-5 基準に従った精神医学的診断の有無も、訓練を受けた臨床研究者によって評価されます (MINI)。

ベースラインおよび各フォローアップ評価時に実施される評価者ベースの自己申告尺度およびインタビューには、次のものが含まれます。

Mini-International Neuropsychiatric Interview (MINI 7.0.2) [44] – DSM-5 の主要な精神障害に対する短い構造化された診断面接です。これは、精神科の適格基準を確認するためにスクリーニング訪問時にのみ行われます。

ハミルトンうつ病評価尺度 (Ham-D17) [45] – うつ病の重症度を評価するための評価者ベースのインタビュー。 Ham-D は、スクリーニング資格を確認するためにベースラインで行われ、電話インタビューによって 3 か月ごとに行われます。

病院不安およびうつ病スケール (HADS) [46] – うつ病と不安のレベルを監視するための患者の自己評価デジタル版。 HADS は FAITH モバイルアプリで毎月行われます。

EORTC QLQ-30 (欧州がん研究治療機構の生活の質に関するアンケート) [47]: QLQ-30 は FAITH モバイルアプリで毎月実施されます。サブスケールモジュールは、がんのサブタイプに応じて使用されます。EORTC QLQ-BR23 乳がん [48] と EORTC QLQ-LC29 肺がん [49] が同じ時点で使用されます。

臨床データは、電子健康記録または他の臨床登録から曖昧な方法で取得されます。

FAITH プラットフォームは、アマゾンウェブサービス (AWS) を介してプライベートクラウドでホストされているため、クラウドへのパブリックアクセスはなく、機密データへのセキュリティアクセスが強化されています。したがって、FAITH に勤務する 2 つの病院のスタッフと、コンソーシアムのデータサイエンティストのみが、集約されコード化されたデータにアクセスできます。プラットフォーム (図 2) は、次のコンポーネントを含む 4 つの層で構成されます。

アプリケーション層:

◦ スマートフォンやスマートバンドから関心のある変数をキャプチャするモバイルアプリ。

◦ Case Report Form (CRF) データを記録する Web アプリ。

◦ 記録されたデータに対して最終的にクエリを実行する分析エンジン (統計分析を実行し、将来の FAITH モデルを生成するため)。

サービス層:

◦ モバイルアプリケーションと Web アプリケーションの両方のエンドポイントとして機能するアプリケーションプログラミングインターフェイス (API)。

◦ 誰がどのデータにアクセスしているかを完全に可視化するためのセキュリティアクセスおよび認可アクセスサービスと監査ログ。

◦ データベースのデータを登録し、データベースにアクセスするための接続サービス。

◦ 分析エンジンがデータをさらに分析できるようにする統計分析ツール。

データ層:

◦ トライアルとアプリからの記録データを保存するデータベース。

セキュリティ層:

◦ トランスバーサルレイヤーは他の 3 つのレイヤーに接続され、それらすべての間で情報が保存および転送されることを保証し、データが GDPR ルールに従って安全であることを保証します。

FAITHトライアルプラットフォームの概要

FAITH モバイルアプリは、栄養、睡眠、アクティビティ、音声という 4 つの構成モジュールの機能をパッケージ化しています。 iOS デバイスと Android デバイスの両方との互換性を確保するために、React Native を使用して構築されています。栄養モジュールは、検証済みのアンケートをモバイルアプリに統合することで実装されます。これにより、信頼性の高いデータの効率的なキャプチャが可能になります。音声分析は、アプリでユーザーの声を直接キャプチャし、この録音をオフロードすることによって実装されます。文献で使用されている方法はさまざまであるため、FAITH 研究の全体的な状況において最適に機能すると予想されるアプローチが選択されています。 1) 患者は、(自発的な発話を引き出すための) 一連の定義された質問に応答し、文書を読みます。テキスト (例: 祖父の一節脚注 1); 2) 質問は、周波数参照が適切に更新されたフォーム [35] に従って行われます。脚注 2 参加者は、スマートフォンの FAITH アプリを使用して、毎月の間隔ですべての音声録音を行います。

FAITH は、最新のスマートフォンで利用可能な一連のセンサーを活用し、アクティビティと睡眠の追跡用の無料デバイス (Fitbit) でそれを強化します。これら 2 つのデバイスを組み合わせると、ユーザーが複数のデバイスを導入する必要がなく、キー押下マーカーを追跡するのに十分なデータが提供されます。睡眠追跡は、Google Fit と Fitbit の組み合わせによって実現されます。参加者は Fitbit を着用し、関連するアプリ (Fitbit アプリ) をインストールして、デバイスからデータを収集し、ほとんどの Android デバイスに組み込まれている Google Fit にデータを渡す必要があります。 IOS デバイスの場合、データは Fitbit アプリ経由で Apple Health に送信されます。アプリは睡眠の特性評価に必要な情報を送信します。睡眠評価の質を向上させるために、FAITH アプリ内のスマートフォンの光センサーを使用して周囲の光がルクス単位で測定されます。これは、睡眠潜時と睡眠時間を正確に決定するのに役立つ追加の入力になります。 FAITH アプリは、アクティビティモニターモジュール (AMM) を使用して、Fitbit からアクティビティデータも収集します。 AAM は残りのモジュールとともにアプリ内に統合され、ユーザーの介入なしにシームレスにデータをキャプチャします。代わりに、Android デバイス用の GoogleFit と iOS デバイス用の Apple HealthKit をそれぞれ活用します。 GoogleFit と Apple HealthKit の両方から得られるデータ (またはアクティビティトラッカー自体で計算されたデータ) は、FHIR 互換データモデルに従ってデバイスにローカルに保存されます。

データは、オープンソースのオブジェクトリレーショナルデータベースである PostgreSQL 用の Amazon Relational Database Service (RDS) に保存されます。 Amazon RDS を使用すると、クラウドでの PostgreSQL デプロイメントのセットアップ、運用、拡張が簡単になります。 Amazon RDS の自動バックアップ機能を使用すると、最大 35 日間の指定された保持期間内の任意の時点に PostgreSQL データベースインスタンスをリカバリできます。データは、仮名化アプローチに適用されるセキュリティ層 (アクセス、認可、サイバーセキュリティなど) を通じて保護されます。

記述統計は、必要に応じて、すべての臨床特性および転帰測定値に対して生成されます。

FAITH では、さまざまな特徴選択方法に基づいたアルゴリズムを使用して変数が選択されます。たとえば、ラッパーメソッドの場合は、前方選択、後方消去、段階的選択を使用します。これらの方法は、評価基準 [50] に対して特徴の可能な組み合わせを評価するため、フィルタリングもサポートできます。評価基準は問題の種類によって異なります。たとえば、回帰の場合、評価基準は p 値、R 二乗、調整済み R 二乗になります。同様に、分類の場合、評価基準は精度にすることができ、この場合はフィルタリングとして機能します。これらの方法は、不必要な変数を削除したり、変数を同様の予測をもたらす他の変数に置き換えたりするのに役立ちます [50]。

変数選択のこのステップは、モデルの生成に最適な変数のセットを決定するための基本です。変数の正しい相互作用は、臨床マーカー、社会人口統計マーカー、心理グラフィックマーカー、うつ病マーカー間の相関関係や相互作用の特定をサポートし、より効果的なモデルのためのより深い洞察を得ることができます。

うつ病の予測因子として選択されたマーカーのモデリングをサポートするための適合性に応じて事前に選択された統計ツールには、時間データマイニング、時系列分析、シーケンス分類法、時系列のクラスタリング、時間パターン発見および相関ルールが含まれます。これらの手法のいずれかが適切でないと判明した場合は、同様の代替手法が検討されます。 FAITH データは非定常であるため、時系列予測とニューラルネットワーク分析モデリングを使用して、観測されたマーカーと事前に選択されたマーカーのデータに基づいて、うつ病の存在や重症度などの将来の値を予測します。したがって、この統計的方法論は、うつ病、不安、生活の質のリスクの予測モデルを作成することで予測をサポートします。さらに、この分析に役立つ可能性のある時系列予測アルゴリズムがいくつかあります。その中には、サンプルから得られた値の組み合わせ (線形結合など) として将来の値を予測する自己回帰および移動平均があります。

データが欠落しているとバイアスが生じ、結果や結論が無効になる可能性さえありますが、データが欠落している参加者を除外すると分析力に影響を与える可能性があります。予想されるデータセット内の欠損データを処理する FAITH プロジェクトの戦略は、まず欠損データのモデルを特定することになります。このモデルは、利用可能なデータによって条件付けられた分布に基づいて、欠損データが分類できるかどうかを検出します。欠損データがランダムかどうかによって決まります。次に、欠損データパターンがチェックされ、欠落している変数が 1 つだけ (単変量) か、複数の変数 (多変量、単調、非単調) かを検出します。この分析に従って、欠損値に対処するための最も適切な方法が次の中から選択されます: 欠損値を観測値の平均値で置き換える、欠損値を持つ参加者を除外する (完全なケース分析)、欠損指標法 (ダミー変数の作成など)欠損データの指標としてゼロ）、平均置換（欠損値を全体の平均またはサブグループの平均に置き換える）。最尤法や多重代入など、より複雑な方法も考慮できます。

FL はこのプロジェクトの中心的なコンポーネントですが、トライアル期間中 (アルファ版) ではなく、トライアル終了後にのみ実装される (ベータ版) ことを明確にすることが重要です。同様に、適切な FL モデルはデータが分析されて初めて開発できます。

リクルートはサンプルサイズの計算に基づいて行われ、一連の重回帰を使用して実行され、期待される効果量、選択した有意水準 (0.5 ～ 0.10)、検出力 (0.8 ～ 0.95) の 3 つの入力を使用して計算されます。これらを踏まえて、以下のサンプルプランを提案します。

サンプルサイズを n = 231 (被験者数 300、推定減少率 23% を考慮) とする推定は、最大 27 の独立した予測因子 (私たちのグループから) の累積寄与度を検出するために p < 0.05 で 85% の検出力を確保するのに十分です。 4 つのモジュールから収集された変数)。さらに、27 個の独立変数を含む回帰モデルでは、このサンプルサイズは、効果サイズが小さい (コーエンの f2 > 0.039) と仮定して、個々の独立変数の有意な加算値を検出するのに十分です。

この研究は参加機関の倫理委員会（EC）によってすでに承認されている。

FAITH は、設計によるデータ保護 (GDPR 第 25 条) の文脈におけるセキュリティ対策 (GDPR 第 32 条) として仮名化を使用し、第三者から参加者の身元を隠し、リンク不可能性というデータ保護目標を実現します。各病院が仮名化プロセスを実行します。図 3A に仮名化処理の流れを示します。

FAITH データフローとセキュリティコンプライアンス。 (凡例: パネル A – 仮名化プロセス、パネル B – 仮名化データの流れ)

このプロセスを考慮すると、コード化されたデータは、プラットフォームとプラットフォームのセキュリティによってサポートされ、参加者、病院、データ処理者 (データアナリストとデバイス) という 3 つの主要な関係者の間を流れます (図 3B)。

責任ある研究代表者 (PI) は、この研究がプロトコールに従って実施され、適正臨床実施基準 (GCP) の原則と現在の現地の法律に準拠していることを保証します。この治験は、適用されるすべての国内および国際規制に従って、責任ある独立倫理委員会 (IEC) および病院の管轄当局 (CA) によって、必要なすべての法的文書が審査および承認された後にのみ開始されます。

治験に参加する前に、ICH-GCP および参加国の規制および法的要件に従って、各参加者から書面によるインフォームドコンセントを取得する必要があります。

構造化され自己評価された精神医学的および心理学的アンケートの適用は、研究目的のみに使用されます。それにもかかわらず、これらのアンケートは臨床的に検証されているため、重度のうつ病や自殺傾向などの臨床的に重要な医学的問題を特定することができます。その結果、参加者がこれらのパラメーターで事前に定義されたしきい値を超えるスコアを獲得した場合は常に、対応する病院の研究チームにアラームが送信されます（各アンケートのスコアリングと基準スケールに従って）。その後、参加者に連絡が取られ（偶発的所見ポリシーに従って）、各病院の特定の内部プロトコルに従って臨床フォローアップが提案されます。

偶発的所見が発生した場合の手順に関する情報は、インフォームドコンセントフォームに詳しく記載されています。臨床的に関連する偶発的所見が存在する場合、偶発的所見に関して得られた同意に従って、参加者は治験医師から通知を受ける。付随的な発見を伝えることに同意がない場合、問題は地域の倫理委員会に持ち込まれ、取るべき措置に関する勧告が求められる場合があります。参加者には、付随的発見に関する書面による情報も提供されます。

FAITH プロジェクトの参加者のセキュリティとプライバシーは、個人データの処理と電子通信分野におけるプライバシーの保護に関する EU の関連法、個人データの処理に関する個人の保護に関する指令 95/46/EC に準拠します。そのようなデータの自由な移動、およびプライバシーに関する国際文書。 EU 規則 2016/679 の規定が採用されるか、より制限が厳しい場合には個人データ保護とプライバシーに関する国内規制が採用されます。

すべての EC によって承認されると、プロトコルの変更はコーディネーターによって修正の形で文書化されます。すべてのプロトコルの修正は、申請前に研究に関与する EC に通知する必要があります。参加者に影響を及ぼす修正は、実施前に参加者のインフォームドコンセントを必要とします。

FAITH は、2 つの臨床センター (スペインとポルトガル) にわたる乳がんおよび肺がん生存者を対象とした多施設縦断前向き観察コホート研究です。がん生存者を含める目的は、患者がより専門化された医療システムからすでに完全または部分的に切り離されている場合に、遠隔で患者を評価することです。患者と医療環境とのつながりが欠如していると、心理的な変化が報告されず、気づかれないままになる可能性があります。このプロトコルは、FAITH 研究を実施するために設計されており、うつ病マーカーをリモートで分析し、がん生存者のうつ病の発症を予測することを目的としています。うつ病マーカーには、栄養、睡眠、活動、声など、がんとうつ病の両方で重要な役割を果たす領域が含まれています。うつ病の症状の有無は、自己評価 (HADS) と評価者ベース (Ham-D) の両方の標準化されたうつ病評価ツールを通じて定期的に評価されます。生活の質の尺度も得られます。

FAITH では、患者の遠隔評価は患者のスマートフォンを通じて行われ、FAITH アプリを通じてスマートバンドと同期されます。この機能により、対象となるうつ病マーカーの抽出が可能になります。 FAITH アプリケーションは、ユーザー入力を最小限に抑えてバックグラウンドで実行されるように設計されています。 FAITH は、研究中に開発された予測モデルに基づいて、ユーザーの個人データに直接アクセスせずにうつ病の症状を監視するための ML モデルを構築できる、概念的な連合学習フレームワークの開発も目指しています。 FAITH は、うつ病を予測するための連合学習モデルを提供することが期待されています。これにより、医療提供者は事前に警告を発し、腫瘍学の現場でタイムリーなメンタルヘルス介入が可能になります。早期のスクリーニングと介入を通じて最適化された FAITH モデルは、生活の質の向上に関連する臨床ツールとなるでしょう。

適用できない。

https://www.amyspeech languagetherapy.com/uploads/7/5/7/4/7574967/grandfatherpassage.pdf

「この 1 週間、あなたが感情的にどのように感じていたかを説明してください。あなたの経験と、あなたの感情について他の人が言ったコメントを記録してください。」、「過去 1 週間、身体的にどのように感じていたかを説明してください。可能であれば、あなたの身体的な感情があなたの人生にどのような影響を与えているかの例です。」「過去 1 週間にあなたの感情的および身体的感情があなたの一般的な機能能力にどのような影響を与えたか説明してください。仕事、家庭の管理、他の人と仲良くする、余暇活動に参加する能力などについて考えてください。」

アクティビティモニターモジュール

アプリケーションプログラミングインターフェース

アマゾンウェブサービス

管轄当局

シャンパリモー財団

症例報告フォーム

精神障害の診断と統計マニュアル

欧州がん研究治療機構の生活の質

東部協力腫瘍学グループ

倫理委員会

高速医療相互運用性リソース

病院の不安とうつ病のスケール

ハミルトンのうつ病評価スケール

ヒト上皮成長因子受容体 2

グレゴリオ・マラニョン総合病院

ホルモン受容体

調和と適正臨床実践に関する国際会議

一般データ保護規則

メンタルヘルス状態を監視するための連邦人工知能ソリューション

大鬱病性障害

ミニ国際精神神経医学インタビュー

機械学習

全体的な応答率

身体活動

研究主任

Amazon リレーショナルデータベースサービス

Ferlay J、Colombet M、Soerjomataram I、Dyba T、Randi G、Bettio M、他。ヨーロッパにおけるがんの罹患率と死亡率のパターン: 2018 年の 40 か国と 25 の主要ながんの推定値。Eur J Cancer。 2018;103:356–87。 https://linkinghub.elsevier.com/retrieve/pii/S0959804918309559 から入手できます。

記事 CAS Google Scholar

アレマニ C、松田 T、ディカルロ V、ヘアウッド R、マッツ M、ニクシッチ M 他 2000 ～ 2014 年のがん生存傾向の世界的調査（CONCORD-3）: 71 か国の 322 の人口ベースの登録から 18 のがんのいずれかと診断された 37,513,025 人の患者の個人記録の分析。ランセット。 2018;391(10125):1023–75。 https://linkinghub.elsevier.com/retrieve/pii/S0140673617333263 から入手できます。

記事 Google Scholar

ブランデンバーグ D、マース SWMC、ゲールセ OP、ステグマン ME、ハンドバーグ C、シュローヴァース MJ、他。長期がん生存者におけるうつ病、不安、苦痛の症状の有病率に関する系統的レビュー：プライマリケアへの影響。 Eur J Cancer Care (英語)。 2019;28(3). https://onlinelibrary.wiley.com/doi/abs/10.1111/ecc.13086 から入手できます。

シャピロCL。がんサバイバーシップ。 Longo DL、編集者。 N 英語 J 医学 2018;379(25):2438–50。 http://www.nejm.org/doi/10.1056/NEJMra1712502 から入手できます。

記事 Google Scholar

Sheikh-Wu S、Downs C、Anglade D. がん生存中の痛み、疲労、睡眠障害の症状群を管理するための介入: 系統的レビュー。オンコル看護師フォーラム。 2020;47(4):E107-19。 http://onf.ons.org/onf/47/4/interventions-managing-symptom-cluster-pain-fatigue-and-sleep-disturbances-during-cancer から入手できます。

記事 Google Scholar

Pitman A、Suleman S、Hyde N、Hodgkiss A. がん患者のうつ病と不安。 BMJ。 2018;361:k1415。 https://www.bmj.com/lookup/doi/10.1136/bmj.k1415 から入手できます。

記事 Google Scholar

リー SJ、カートメル KB。がん生存者の自己申告によるうつ病と一般集団の比較: 集団ベースの傾向スコアマッチング分析。クォリティ・ライフ・リサーチ 2020;29(2):483–94。 http://link.springer.com/10.1007/s11136-019-02339-x から入手できます。

記事 Google Scholar

ウォーカー J、ハンセン CH、マーティン P、シメオニデス S、ラメシュール R、マレー G、他がん患者における大うつ病の有病率、関連性、治療の適切性：定期的に収集された臨床データの横断分析。ランセット精神科。 2014;1(5):343–50。 https://linkinghub.elsevier.com/retrieve/pii/S221503661470313X から入手できます。

記事 Google Scholar

Irwin MR、Olmstead RE、Ganz PA、Haque R. がん生存者の睡眠障害、炎症、うつ病のリスク。脳の行動免疫。 2013;30:S58-67。 https://linkinghub.elsevier.com/retrieve/pii/S0889159112001092 から入手できます。

記事 Google Scholar

Li M、Fitzgerald P、Rodin G. がん患者におけるうつ病の証拠に基づく治療。 J クリンオンコル。 2012;30(11):1187–96。 http://ascopubs.org/doi/10.1200/JCO.2011.39.7372 から入手できます。

記事 Google Scholar

マウスバッハBT、アーウィンSA。がん患者におけるうつ病と医療サービスの利用。精神腫瘍学。 2017;26(8):1133–9。 https://onlinelibrary.wiley.com/doi/10.1002/pon.4133 から入手可能です。

記事 Google Scholar

Mitchell AJ、Ferguson DW、Gill J、Paul J、Symonds P. 配偶者および健康な対照と比較した長期がん生存者のうつ病と不安：体系的レビューとメタ分析。ランセット・オンコル。 2013;14(8):721–32。 https://linkinghub.elsevier.com/retrieve/pii/S1470204513702444 から入手できます。

記事 Google Scholar

アラバマ州スタントンがん生存者に対する心理社会的懸念と介入。 J クリンオンコル。 2006;24(32):5132–7。 http://ascopubs.org/doi/10.1200/JCO.2006.06.8775 から入手できます。

記事 Google Scholar

マース SWMC、ロールダ C、ベレンセン AJ、ヴェルハーク PFM、デボック GH。乳がん治療後のうつ病と不安の長期症状の蔓延：系統的レビュー。マトゥリタス。 2015;82(1):100–8。 https://linkinghub.elsevier.com/retrieve/pii/S0378512215006507 から入手できます。

記事 CAS Google Scholar

Krebber AMH、Buffart LM、Kleijn G、Riepma IC、Bree R、Leemans CR、他がん患者におけるうつ病の有病率：診断面接と自己報告手段のメタ分析。精神腫瘍学。 2014;23(2):121–30。 https://onlinelibrary.wiley.com/doi/10.1002/pon.3409 から入手可能です。

記事 CAS Google Scholar

Mitchell AJ、Lord K、Symonds P. がん現場における DSMIV うつ病を示す症状はどれですか? 体性症状および非体性症状の診断上の重要性の分析。 J 影響障害。 2012;138(1–2):137–48。 https://linkinghub.elsevier.com/retrieve/pii/S0165032711007221 から入手できます。

記事 Google Scholar

明智哲也、中野哲也、秋月直也、岡村正人、佐久間和人、中西哲他がん患者の大うつ病を診断するための身体症状。心身医学。 2003;44(3):244–8。 https://linkinghub.elsevier.com/retrieve/pii/S0033318203702941 から入手できます。

記事 Google Scholar

ニケンデイ C、テルホーベン V、エーレンタール JC、マートゥク I、ワイルド B、ヘルツォーク W、他。がん患者と慢性体性疾患のない患者におけるうつ病のプロファイル。精神腫瘍学。 2018;27(1):83–90。 http://doi.wiley.com/10.1002/pon.4465 から入手できます。

記事 Google Scholar

Greenlee H、Santiago-Torres M、McMillen KK、Ueland K、Haase AM。がん治療中および治療後の患者のより良い食事の支援。 Cancer J. 2019;25(5):320–8。 https://journals.lww.com/10.1097/PPO.0000000000000405 から入手できます。

記事 Google Scholar

シウバ DA、コウチーニョ E ダ SF、フェリアーニ LO、ヴィアナ MC。成人におけるうつ病のサブタイプと肥満：体系的レビューとメタアナリシス。 Obes Rev. 2020;21(3)。 https://onlinelibrary.wiley.com/doi/abs/10.1111/obr.12966 から入手できます。

Cosgrove KT、Burrows K、Avery JA、Kerr KL、DeVille DC、Aupperle RL、他。うつ病における食欲変化プロファイルは、全身性炎症と報酬および内受容神経回路の活動との間に異なる関係を示します。脳の行動免疫。 2020;83:163–71。 https://linkinghub.elsevier.com/retrieve/pii/S0889159119302533 から入手できます。

記事 CAS Google Scholar

Mercier J、Savard J、Bernard P. がん患者の睡眠を改善するための運動介入: 体系的レビューとメタ分析。 Sleep Med Rev. 2017;36:43–56。 https://linkinghub.elsevier.com/retrieve/pii/S1087079216301290 から入手できます。

記事 Google Scholar

Palesh O、Peppone、Innominato、Janelsins、Jeong M、Sprod L、他。がんの化学療法中の睡眠問題の有病率、推定メカニズム、および現在の管理。ナットサイエンススリープ。 2012;151。 http://www.dovepress.com/prevalence-putative-mechanisms-and-current-management-of-sleep-problem-peer-reviewed-article-NSS から入手できます。

Baglioni C、Battagliese G、Feige B、Spiegelhalder K、Nissen C、Voderholzer U 他うつ病の予測因子としての不眠症: 縦断的疫学研究のメタ分析的評価。 J 影響障害。 2011;135(1–3):10–9。 https://linkinghub.elsevier.com/retrieve/pii/S0165032711000292 から入手できます。

記事 Google Scholar

ホー SY、ローハン KJ、ペアレント J、テイガー FA、マッキンリー PS。乳がん女性における症状群としてのうつ病、疲労、睡眠障害に関する縦断的研究。 J 痛みの症状を管理します。 2015;49(4):707–15。 https://linkinghub.elsevier.com/retrieve/pii/S0885392414005466 から入手できます。

記事 Google Scholar

Palesh OG、Roscoe JA、Mustian KM、Roth T、Savard J、Ancoli-Israel S、他。がん患者における睡眠障害の有病率、人口統計、および心理的関連性: ロチェスター大学がんセンター-地域臨床腫瘍学プログラム。 J クリンオンコル。 2010;28(2):292–8。 http://ascopubs.org/doi/10.1200/JCO.2009.22.5011 から入手できます。

記事 Google Scholar

Zimmerman M、Ellison W、Young D、Chelminski I、Dalrymple K. 患者が大うつ病性障害の診断基準を満たす方法は何通りありますか? Compr精神医学。 2015;56:29–34。 https://linkinghub.elsevier.com/retrieve/pii/S0010440X14002582 から入手できます。

記事 Google Scholar

Burton C、McKinstry B、SzentagotaiTătar A、Serrano-Blanco A、Pagliari C、Wolters M. うつ病患者の活動モニタリング: 系統的レビュー。 J 影響障害。 2013;145(1):21–8。 https://linkinghub.elsevier.com/retrieve/pii/S0165032712005034 から入手できます。

記事 Google Scholar

Kvam S、Kleppe CL、Nordhus IH、Hovland A. うつ病の治療法としての運動: メタ分析。 J 影響障害。 2016;202:67–86。 https://linkinghub.elsevier.com/retrieve/pii/S0165032715314221 から入手できます。

記事 Google Scholar

Choi KW、Chen CY、Stein MB、Klimentidis YC、Wang MJ、Koenen KC、他成人における身体活動とうつ病との双方向の関係の評価。 JAMA精神科。 2019;76(4):399。 http://archpsyc.jamanetwork.com/article.aspx?doi=10.1001/jamapsychiatry.2018.4175 から入手できます。

記事 Google Scholar

ジャンフレディ V、ブランディ L、カシッティ S、ミネリ M、シニョレッリ C、アメリオ A 他うつ病と客観的に測定された身体活動：体系的レビューとメタ分析。 Int J Environ Res Public Health。 2020;17(10):3738。 https://www.mdpi.com/1660-4601/17/10/3738 から入手できます。

記事 Google Scholar

クレペリン E. 躁うつ病の狂気とパラノイア。 J ネルフメント Dis. 1921;53(4):350。

記事 Google Scholar

カニッツァーロ M、ハレル B、ライリー N、チャペル P、スナイダー PJ。大うつ病の重症度の音声音響測定。脳の認知。 2004;56(1):30–5。 https://linkinghub.elsevier.com/retrieve/pii/S027826260400140X から入手できます。

記事 Google Scholar

Zhang L、Duvvuri R、Chandra KKL、Nguyen T、Ghomi RH。オンラインの横断的データ収集イニシアチブを使用した、うつ病の症状に対する自動音声バイオマーカー。うつ状態の不安。 2020;37(7):657–69。 https://onlinelibrary.wiley.com/doi/abs/10.1002/da.23020 から入手できます。

記事 Google Scholar

ムント JC、スナイダー PJ、カニッツァーロ MS、チャッピー K、ゲラルト DS。対話型音声応答 (IVR) テクノロジーを介して収集された、うつ病の重症度と治療反応の音声音響測定。 J 神経言語学。 2007;20(1):50–64。 https://linkinghub.elsevier.com/retrieve/pii/S0911604406000303 から入手できます。

記事 Google Scholar

ムント JC、フォーゲル AP、フェルトナー DE、レンダーキング WR。うつ病の重症度および治療反応の音声音響バイオマーカー。バイオル精神科。 2012;72(7):580–7。 https://linkinghub.elsevier.com/retrieve/pii/S0006322312002636 から入手できます。

記事 Google Scholar

低DM、ベントレーKH、ゴーシュSS。音声を使用した精神障害の自動評価: 系統的レビュー。喉頭鏡で耳鼻咽喉科を調べます。 2020;5(1):96–116。 https://onlinelibrary.wiley.com/doi/abs/10.1002/lio2.354 から入手できます。

記事 Google Scholar

ゴッスル VC、カーチス JE、ホフマン SG。ストレスと不安に対する心拍数変動バイオフィードバックトレーニングの効果: メタ分析。サイコル医学。 2017;47(15):2578–86。 https://www.cambridge.org/core/product/identifier/S0033291717001003/type/journal_article から入手できます。

記事 CAS Google Scholar

Gravenhorst F、Muaremi A、Bardram J、Grünerbl A、Mayora O、Wurzer G、他。精神障害治療における医療機器としての携帯電話: 概要。 Pers ユビキタスコンピューティング。 2015;19(2):335–53。 http://link.springer.com/10.1007/s00779-014-0829-5 から入手できます。

記事 Google Scholar

Cho J、Lee K、Shin E、Choy G、Do S. 医療画像ディープラーニングシステムをトレーニングして必要な高精度を達成するには、どれくらいのデータが必要ですか? 2015。http://arxiv.org/abs/1511.06348 から入手可能。

Google スカラー

Sheller MJ、Reina GA、Edwards B、Martin J、Bakas S. 患者データを共有しない多施設ディープラーニングモデリング: 脳腫瘍セグメンテーションに関する実現可能性研究。 2019.p. 92-104。 http://link.springer.com/10.1007/978-3-030-11723-8_9 から入手できます。

リトル M、セイヤーズ EJ、ポール K、ジョーデンス CFC。がんからの生還について。 JR Soc Med. 2000;93(10):501–3。 http://journals.sagepub.com/doi/10.1177/014107680009301001 から入手できます。

記事 CAS Google Scholar

リーSA。変化するがんの遺産: 長期生存の問題。ナーズクリンノースアム。 2008;43(2):243–58。 https://linkinghub.elsevier.com/retrieve/pii/S0029646508000030 から入手できます。

記事 Google Scholar

Sheehan DV、Lecrubier Y、Sheehan KH、Amorim P、Janavs J、Weiller E、他。ミニ国際神経精神医学面接 (MINI): DSM-IV および ICD-10 のための構造化された診断精神医学面接の開発と検証。 Jクリニック精神科。 1998;59(20):22–33。 http://www.ncbi.nlm.nih.gov/pubmed/9881538 から入手できます。

Google スカラー

ハミルトン M. うつ病の評価尺度。 J Neurol Neurosurg 精神医学。 1960;23(1):56–62。 https://jnnp.bmj.com/lookup/doi/10.1136/jnnp.23.1.56 から入手できます。

記事 CAS Google Scholar

ジグモンド AS、スナイス RP。病院の不安とうつ病のスケール。アクタ精神科医スキャンド。 1983;67(6):361–70。 https://onlinelibrary.wiley.com/doi/10.1111/j.1600-0447.1983.tb09716.x から入手できます。

記事 CAS Google Scholar

アーロンソン NK、アーメドザイ S、バーグマン B、ブリンジャー M、カル A、ニュージャージー州デュエズ、他欧州がん研究治療機構 QLQ-C30: 腫瘍学の国際臨床試験で使用される生活の質を評価する手段。 JNCI J 国立がん研究所 1993;85(5):365–76。 https://academic.oup.com/jnci/article-lookup/doi/10.1093/jnci/85.5.365 から入手できます。

記事 CAS Google Scholar

スプランジャーズ MA、カル A、グロエンヴォルド M、ビョルダル K、ブレイズビー J、アーロンソン NK。欧州がん研究治療機構によるアンケートモジュールの開発アプローチ: 最新情報と概要。 EORTC クオリティ・オブ・ライフ研究グループ。 Qual life Res an Int J Qual life Asp トリートケアリハビリテーション。 1998;7(4):291–300。 http://www.ncbi.nlm.nih.gov/pubmed/9610213 から入手できます。

記事 CAS Google Scholar

Koller M、Hjermstad MJ、Tomaszewski KA、Tomaszewska IM、Hornslien K、Harle A、他。肺がん患者の生活の質を評価するための EORTC 質問票を改訂するための国際研究。アン・オンコル。 2017;28(11):2874–81。 https://linkinghub.elsevier.com/retrieve/pii/S0923753419345971 から入手できます。

記事 CAS Google Scholar

Das S. フィルター、ラッパー、および機能選択のためのブースティングベースのハイブリッド。で:Icml。 2001.p. 74〜81。

Google スカラー

リファレンスをダウンロードする

FAITH 研究は、記載されている著者に加えて、関係するすべての施設の多くの臨床医や研究者の継続的な努力に依存しています。

FAITH プロジェクトは、欧州委員会 (EC) の Horizon Europe プログラム「H2020-EU.3.1.—社会的課題—健康、人口動態の変化、福祉」に基づいて資金提供されています。このプロジェクトには、「SC1-DTH-01–2019—がん治療後の健康状態と生活の質をモニタリングするためのビッグデータと人工知能」という特定のテーマの下、助成契約 ID: 875358 で 480 万ユーロの資金が提供されています。デザイン、収集、分析、データ解釈、原稿執筆には影響を与えません。

RL は、ポルトガルの Fundação para a Ciência e Tecnologia による個別の科学的雇用刺激策 (CEECIND/04157/2018) によってサポートされています。

シャンパリモー研究・臨床センター、シャンパリモー財団、リスボン、ポルトガル

ラケル・レモス、ソフィア・アレイアス＝マルケス、ペドロ・フェレイラ、ガブリエラ・リベイロ、アルビノ・J・オリベイラ＝マイア

ISPA – ポルトガル、リスボンの心理・社会・生命科学大学研究所

ラケル・レモス

ポルトガル、リスボン、ノヴァ・デ・リスボア大学科学技術学部電気・コンピュータ工学科

ペドロ・フェレイラ & フェルナンド・ルイス・フェレイラ

ウォーターフォード工科大学、ウォーターフォード、アイルランド

フィリップ・オブライエン & ゲイリー・マクマナス

マドリッド工科大学、マドリッド、スペイン、マドリッド工科大学電気通信技術者高等技術学校、LifeSTech、フォトニクスおよびバイオエンジニアリング学科

マリア・エウジェニア・ベルトラン・ヤウンサラス

NOVA 医学部、医科学部、NMS、FCM、NOVA リスボン大学、リスボン、ポルトガル

ガブリエラ・リベイロ & アルビノ・J・オリベイラ＝マイア

腫瘍内科、グレゴリオ・マラニョン総合病院、IiSGM、CIBERONC、Geicam、コンプルテンセ大学、マドリード、スペイン

ミゲル・マルティン & サラ・ロペス・タルーエラ

グレゴリオ・マラニョン大学総合病院、IiSGM、CIBERONC、マドリード、スペインの腫瘍内科

マリア・デル・モンテ・ミラン & タチアナ・マッサラ

ディープブルー、ローマ、イタリア

ジュゼッペ・フラウ

Suite5 Data Intelligence Solutions Limited、リマソール、キプロス

ステファノス・ベニオス

PubMed Google Scholar でこの著者を検索することもできます

GMM は FAITH 研究を企画し、資金を獲得しました。 RL、SA-M、PF、PO、MEB-J、GR、MM、MM-M、SL-T、TM、FL-F、GF、SV、GMM、および AJO-M が研究プロトコルの設計に貢献しました。 POB と GMM は研究全体を調整します。 AJO-M はポルトガルでの研究をコーディネートします。 SL-T はスペインでの研究をコーディネートします。 RL、SA-M、MM、MM-M、SL-T、TM、および AJO-M が方法論的内容を設計および準備しました。 GF は研究デザインに貢献しました。 GRとMEB-Jは栄養モジュールを開発しました。 PF と SV はアクティビティモジュールを準備しました。 FL-Fはスリープモジュールを開発しました。 POBは音声モジュールを開発しました。 MEB-JとPFは統計解析計画を作成しました。 RL、SA-M、MM-M、SL-T、TM は倫理委員会向けのコンテンツを準備しました。 PF、POB、MEB-J、FL-F、GF、SV は、適応された対策の開発と、アプリと臨床プラットフォームの調整された開発に貢献しました。 RL、SA-M、GR は評価尺度を選択しました。 RL、SA-M、および MM は、研究のデータ収集のためのロジスティクスをセットアップします。 RL、SA-M、PF は GMM と AJO-M の監督を受けて原稿を起草し、重要な知的内容については残りの著者によって批判的に改訂されました。 AJO-M は責任著者として機能します。著者全員が最終原稿を読んで承認しました。

アルビノのJ・オリベイラ=マイアへの対応。

研究プロトコールとインフォームドコンセントは、ポルトガルのシャンパリモー財団の倫理委員会（2022年5月24日）およびスペインのグレゴリオ・マラニョン総合病院の倫理委員会（2022年5月22日）によって承認された。書面によるインフォームドコンセントが必要であり、この研究に参加する前に取得されます。

適用できない。

MM: Roche、PUMA、Novartis からの研究助成金、AstraZeneca、Amgen、Taiho Oncology、Roche/Genentech、Novartis、PharmaMar、Eli Lilly、PUMA、Taiho Oncology、第一三共、Pfizer からのコンサルティング/アドバイザリー料金、および AstraZeneca からの講演者謝礼、リリー、アムジェン、ロシュ/ジェネンテック、ノバルティス、ファイザー。

SL-T: コンサルタント/顧問の役割: Celgene、Novartis、Pierre Fabre、Pfizer、Roche、Astra-Zeneca、第一三共、MSD、Seagen、Gilead、Lilly。話す: ノバルティス、ロシュ、リリー。

TM: コンサルティングまたは諮問委員会: AstraZeneca、Novartis、Roche、GSK。旅行補助金: ノバルティス、アストラゼネカ。

AJO-Mは、Janssen-Cilag, Ltd（2019年～2020年）の後援により、ヨーロッパの治療抵抗性うつ病コホートを特徴付ける非介入研究（EDMS-ERI-143085581、4.0）のポルトガルの国家コーディネーターを務め、認知機能テストの標準化と検証に対してSchuhfried GmBHから助成金を受けており、Compass Pathways, Ltd（EudraCT番号2017–003288-36）が後援する治療抵抗性うつ病に対するシロシビン療法の治験およびうつ病に対するエスケタミンの治験のポルトガルの国家コーディネーターでもある。治療抵抗性うつ病、Janssen-Cilag, Ltd の後援 (EudraCT 番号: 2019–002992-33)。

残りの著者らは、潜在的な利益相反とみなされる可能性のある商業的または金銭的関係が存在しない状態で研究が実施されたと宣言しています。

シュプリンガーネイチャーは、発行された地図および所属機関における管轄権の主張に関して中立を保ちます。

オープンアクセスこの記事はクリエイティブコモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブコモンズライセンスへのリンクを提供し、変更が加えられたかどうかを示します。この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブコモンズライセンスに含まれています。素材が記事のクリエイティブコモンズライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。データのクレジットラインに別途記載がない限り、クリエイティブコモンズパブリックドメインの献身的権利放棄 (http://creativecommons.org/publicdomain/zero/1.0/) は、この記事で利用できるデータに適用されます。

転載と許可

Lemos、R.、Areias-Marques、S.、Ferreira、P. 他がん治療後のメンタルヘルス状態をモニタリングするための連邦人工知能ソリューションに関する前向き観察研究 (FAITH): 研究プロトコル。 BMC 精神医学 22、817 (2022)。 https://doi.org/10.1186/s12888-022-04446-5

引用をダウンロード

受信日: 2022 年 10 月 12 日

受理日: 2022 年 12 月 3 日

公開日: 2022 年 12 月 21 日

DOI: https://doi.org/10.1186/s12888-022-04446-5

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

ニュース

がん治療後のメンタルヘルス状態をモニタリングするための連邦人工知能ソリューションに関する前向き観察研究 (FAITH): 研究プロトコル