縦断的な音声バイオマーカーに基づくパーキンソン病の進行モデリング：統計モデルとニューラル混合効果モデルの比較研究

要旨: パーキンソン病（PD）の進行予測は個別化治療にとって極めて重要であり、音声バイオマーカーは遠隔モニタリングを通じて症状の重症度を追跡する、有望な非侵襲的手法を提供します。しかし、このような縦断データの解析は、被験者内の固有の相関、臨床試験に典型的な小規模サンプルサイズ、そして患者固有の複雑な進行パターンのために困難です。深層学習は高い理論的柔軟性を持つ一方で、小規模コホートにおける縦断研究への適用は、従来の統計手法と比べて十分に探索されていません。本研究では、パーキンソン病の遠隔モニタリングに対して、Neural Mixed Effects（NME）フレームワークの適用を提示し、それをGeneralized Neural Network Mixed Models（GNMM）およびGeneralized Additive Mixed Models（GAMMs）の半パラメトリックな統計的ベースラインとベンチマークします。オックスフォードのパーキンソン病遠隔モニタリング音声データセット（ ）を用いて、ニューラルアーキテクチャが柔軟性を持つ一方で、小標本の状況では重大な過学習に陥りやすいことを示します。結果は、GAMMsが最適なバランスを提供し、ニューラル基準モデル（MSE > 90）と比べて優れた予測精度（MSE 6.56）を達成しつつ、臨床的な解釈可能性を維持することを示しています。データ不足が制約となる、堅牢で実運用可能な遠隔モニタリングシステムの開発に対して、本結果が持つ重要な示唆を議論し、ニューラルモデルの検証にはより大規模で多様なデータセットが必要であることを強調します。