AIMI: Aprovechamiento del conocimiento futuro y la personalización en la predicción de eventos escasos para la adherencia al tratamiento

AIMI: Leveraging Future Knowledge and Personalization in Sparse Event Forecasting for Treatment Adherence

March 20, 2025

Autores: Abdullah Mamun, Diane J. Cook, Hassan Ghasemzadeh

cs.AI

Resumen

El cumplimiento de los tratamientos prescritos es crucial para las personas con condiciones crónicas, ya que ayuda a evitar resultados de salud costosos o adversos. Para ciertos grupos de pacientes, las intervenciones intensivas en el estilo de vida son fundamentales para mejorar la adherencia a la medicación. La predicción precisa de la adherencia al tratamiento puede abrir vías para el desarrollo de una herramienta de intervención bajo demanda, permitiendo un apoyo oportuno y personalizado. Con la creciente popularidad de los teléfonos inteligentes y los dispositivos portátiles, ahora es más fácil que nunca desarrollar e implementar sistemas inteligentes de monitoreo de actividades. Sin embargo, los sistemas efectivos de predicción de adherencia al tratamiento basados en sensores portátiles aún no están ampliamente disponibles. Cerramos esta brecha proponiendo Adherence Forecasting and Intervention with Machine Intelligence (AIMI). AIMI es un sistema de predicción de adherencia guiado por conocimiento que aprovecha los sensores de los teléfonos inteligentes y el historial previo de medicación para estimar la probabilidad de olvidar tomar un medicamento prescrito. Se realizó un estudio de usuario con 27 participantes que tomaban medicamentos diarios para controlar sus enfermedades cardiovasculares. Diseñamos y desarrollamos modelos de predicción basados en CNN y LSTM con varias combinaciones de características de entrada y encontramos que los modelos LSTM pueden predecir la adherencia a la medicación con una precisión de 0.932 y un puntaje F-1 de 0.936. Además, a través de una serie de estudios de ablación que involucran arquitecturas de redes neuronales convolucionales y recurrentes, demostramos que aprovechar el conocimiento conocido sobre el futuro y el entrenamiento personalizado mejora la precisión de la predicción de adherencia a la medicación. Código disponible: https://github.com/ab9mamun/AIMI.

English

Adherence to prescribed treatments is crucial for individuals with chronic conditions to avoid costly or adverse health outcomes. For certain patient groups, intensive lifestyle interventions are vital for enhancing medication adherence. Accurate forecasting of treatment adherence can open pathways to developing an on-demand intervention tool, enabling timely and personalized support. With the increasing popularity of smartphones and wearables, it is now easier than ever to develop and deploy smart activity monitoring systems. However, effective forecasting systems for treatment adherence based on wearable sensors are still not widely available. We close this gap by proposing Adherence Forecasting and Intervention with Machine Intelligence (AIMI). AIMI is a knowledge-guided adherence forecasting system that leverages smartphone sensors and previous medication history to estimate the likelihood of forgetting to take a prescribed medication. A user study was conducted with 27 participants who took daily medications to manage their cardiovascular diseases. We designed and developed CNN and LSTM-based forecasting models with various combinations of input features and found that LSTM models can forecast medication adherence with an accuracy of 0.932 and an F-1 score of 0.936. Moreover, through a series of ablation studies involving convolutional and recurrent neural network architectures, we demonstrate that leveraging known knowledge about future and personalized training enhances the accuracy of medication adherence forecasting. Code available: https://github.com/ab9mamun/AIMI.