AIMI: Benutten van toekomstige kennis en personalisatie in voorspelling van schaarse gebeurtenissen voor therapietrouw

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

Samenvatting

Het volgen van voorgeschreven behandelingen is cruciaal voor mensen met chronische aandoeningen om kostbare of nadelige gezondheidsuitkomsten te voorkomen. Voor bepaalde patiëntengroepen zijn intensieve leefstijlinterventies essentieel om de medicatietrouw te verbeteren. Nauwkeurige voorspellingen van de therapietrouw kunnen de weg openen voor de ontwikkeling van een on-demand interventietool, waardoor tijdige en gepersonaliseerde ondersteuning mogelijk wordt. Met de toenemende populariteit van smartphones en wearables is het nu makkelijker dan ooit om slimme activiteitenmonitoringsystemen te ontwikkelen en in te zetten. Effectieve voorspellingssystemen voor therapietrouw op basis van wearablesensors zijn echter nog steeds niet breed beschikbaar. Wij dichten deze kloof door Adherence Forecasting and Intervention with Machine Intelligence (AIMI) voor te stellen. AIMI is een kennisgestuurd voorspellingssysteem voor therapietrouw dat gebruikmaakt van smartphonesensoren en eerdere medicatiegeschiedenis om de kans te schatten dat een voorgeschreven medicatie wordt vergeten. Een gebruikersstudie werd uitgevoerd met 27 deelnemers die dagelijks medicijnen namen om hun cardiovasculaire aandoeningen te beheersen. We hebben CNN- en LSTM-gebaseerde voorspellingsmodellen ontworpen en ontwikkeld met verschillende combinaties van invoerkenmerken en ontdekten dat LSTM-modellen medicatietrouw kunnen voorspellen met een nauwkeurigheid van 0,932 en een F-1-score van 0,936. Bovendien tonen we, via een reeks ablatiestudies met convolutie- en recurrent neurale netwerkarchitecturen, aan dat het benutten van bekende kennis over de toekomst en gepersonaliseerde training de nauwkeurigheid van de voorspelling van medicatietrouw verbetert. Code beschikbaar: 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.