AIMI: 치료 순응도 예측을 위한 희소 이벤트 예측에서 미래 지식과 개인화 활용

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

March 20, 2025

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

cs.AI

초록

만성 질환을 가진 개인들에게 처방된 치료를 준수하는 것은 비용이 많이 들거나 부작용이 있는 건강 결과를 피하기 위해 중요합니다. 특정 환자 그룹의 경우, 약물 복용 준수성을 향상시키기 위해 강도 높은 생활습관 개입이 필수적입니다. 치료 준수성을 정확하게 예측하는 것은 적시에 맞춤형 지원을 제공할 수 있는 주문형 개입 도구를 개발하는 길을 열어줄 수 있습니다. 스마트폰과 웨어러블 기기의 보급이 증가함에 따라 스마트 활동 모니터링 시스템을 개발하고 배포하는 것이 이전보다 쉬워졌습니다. 그러나 웨어러블 센서 기반의 치료 준수성 예측 시스템은 아직 널리 사용되지 않고 있습니다. 우리는 이러한 격차를 메우기 위해 머신 인텔리전스를 활용한 준수성 예측 및 개입 시스템(Adherence Forecasting and Intervention with Machine Intelligence, AIMI)을 제안합니다. AIMI는 스마트폰 센서와 이전 약물 복용 기록을 활용하여 처방된 약물 복용을 잊어버릴 가능성을 추정하는 지식 기반 준수성 예측 시스템입니다. 심혈관 질환을 관리하기 위해 매일 약물을 복용하는 27명의 참가자를 대상으로 사용자 연구를 수행했습니다. 다양한 입력 특징 조합을 사용하여 CNN과 LSTM 기반 예측 모델을 설계하고 개발했으며, LSTM 모델이 약물 복용 준수성을 0.932의 정확도와 0.936의 F-1 점수로 예측할 수 있음을 발견했습니다. 또한, 컨볼루션 및 순환 신경망 아키텍처를 포함한 일련의 제거 연구를 통해 미래에 대한 알려진 지식과 맞춤형 훈련을 활용하는 것이 약물 복용 준수성 예측의 정확도를 향상시킨다는 것을 입증했습니다. 코드는 https://github.com/ab9mamun/AIMI에서 확인할 수 있습니다.

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.