AIMI: Sfruttare la Conoscenza Futura e la Personalizzazione nella Previsione di Eventi Sparse per l'Adesione al Trattamento

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

March 20, 2025

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

cs.AI

Abstract

L'aderenza ai trattamenti prescritti è cruciale per gli individui con condizioni croniche per evitare esiti sanitari costosi o avversi. Per determinati gruppi di pazienti, interventi intensivi sullo stile di vita sono essenziali per migliorare l'aderenza ai farmaci. Una previsione accurata dell'aderenza al trattamento può aprire la strada allo sviluppo di uno strumento di intervento su richiesta, consentendo un supporto tempestivo e personalizzato. Con la crescente popolarità di smartphone e dispositivi indossabili, è ora più facile che mai sviluppare e implementare sistemi intelligenti di monitoraggio delle attività. Tuttavia, sistemi di previsione efficaci per l'aderenza al trattamento basati su sensori indossabili non sono ancora ampiamente disponibili. Colmiamo questa lacuna proponendo Adherence Forecasting and Intervention with Machine Intelligence (AIMI). AIMI è un sistema di previsione dell'aderenza guidato dalla conoscenza che sfrutta i sensori degli smartphone e la storia precedente dei farmaci per stimare la probabilità di dimenticare di assumere un farmaco prescritto. È stato condotto uno studio con 27 partecipanti che assumevano farmaci quotidiani per gestire le loro malattie cardiovascolari. Abbiamo progettato e sviluppato modelli di previsione basati su CNN e LSTM con varie combinazioni di caratteristiche di input e abbiamo scoperto che i modelli LSTM possono prevedere l'aderenza ai farmaci con una precisione di 0,932 e un punteggio F-1 di 0,936. Inoltre, attraverso una serie di studi di ablazione che coinvolgono architetture di reti neurali convoluzionali e ricorrenti, dimostriamo che sfruttare la conoscenza nota sul futuro e l'addestramento personalizzato migliora l'accuratezza della previsione dell'aderenza ai farmaci. Codice disponibile: 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.