AIMI : Exploitation des connaissances futures et de la personnalisation dans la prévision d'événements rares pour l'adhésion au traitement

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

March 20, 2025

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

cs.AI

Résumé

Le respect des traitements prescrits est crucial pour les personnes atteintes de maladies chroniques afin d'éviter des résultats de santé coûteux ou indésirables. Pour certains groupes de patients, des interventions intensives sur le mode de vie sont essentielles pour améliorer l'observance médicamenteuse. Une prévision précise de l'observance thérapeutique peut ouvrir la voie au développement d'un outil d'intervention à la demande, permettant un soutien personnalisé et opportun. Avec la popularité croissante des smartphones et des dispositifs portables, il est désormais plus facile que jamais de développer et de déployer des systèmes intelligents de surveillance des activités. Cependant, les systèmes de prévision efficaces pour l'observance thérapeutique basés sur des capteurs portables ne sont pas encore largement disponibles. Nous comblons cette lacune en proposant Adherence Forecasting and Intervention with Machine Intelligence (AIMI). AIMI est un système de prévision de l'observance guidé par la connaissance qui exploite les capteurs des smartphones et les antécédents médicamenteux pour estimer la probabilité d'oublier de prendre un médicament prescrit. Une étude utilisateur a été menée avec 27 participants prenant des médicaments quotidiens pour gérer leurs maladies cardiovasculaires. Nous avons conçu et développé des modèles de prévision basés sur CNN et LSTM avec diverses combinaisons de caractéristiques d'entrée et avons constaté que les modèles LSTM peuvent prévoir l'observance médicamenteuse avec une précision de 0,932 et un score F-1 de 0,936. De plus, à travers une série d'études d'ablation impliquant des architectures de réseaux neuronaux convolutifs et récurrents, nous démontrons que l'exploitation de connaissances connues sur l'avenir et l'entraînement personnalisé améliorent la précision de la prévision de l'observance médicamenteuse. Code 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.