AIMI：治療遵守のための疎な事象予測における未来知識とパーソナライゼーションの活用

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

March 20, 2025

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

cs.AI

要旨

慢性疾患を持つ個人にとって、処方された治療を遵守することは、高額な医療費や健康上の悪影響を避けるために極めて重要です。特定の患者グループにとっては、集中的な生活習慣介入が薬物治療遵守率を向上させるために不可欠です。治療遵守率を正確に予測することは、オンデマンドの介入ツールを開発する道を開き、タイムリーで個別化されたサポートを可能にします。スマートフォンやウェアラブルデバイスの普及により、スマートな活動モニタリングシステムの開発と展開がこれまで以上に容易になりました。しかし、ウェアラブルセンサーに基づく治療遵守率の効果的な予測システムは、まだ広く利用可能ではありません。私たちはこのギャップを埋めるため、Adherence Forecasting and Intervention with Machine Intelligence (AIMI)を提案します。AIMIは、スマートフォンセンサーと過去の服薬履歴を活用して、処方された薬を飲み忘れる可能性を推定する知識誘導型の遵守率予測システムです。心血管疾患を管理するために毎日薬を服用する27名の参加者を対象にユーザー調査を実施しました。様々な入力特徴の組み合わせを用いてCNNおよびLSTMベースの予測モデルを設計・開発し、LSTMモデルが薬物治療遵守率を0.932の精度と0.936のF-1スコアで予測できることを発見しました。さらに、畳み込みニューラルネットワークとリカレントニューラルネットワークのアーキテクチャを用いた一連のアブレーションスタディを通じて、将来に関する既知の知識と個別化されたトレーニングを活用することが、薬物治療遵守率の予測精度を向上させることを実証しました。コードは以下で公開されています: 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.