AIMI: Aproveitando Conhecimento Futuro e Personalização na Previsão de Eventos Esparsos para Adesão ao Tratamento

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

March 20, 2025

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

cs.AI

Resumo

A adesão aos tratamentos prescritos é crucial para indivíduos com condições crônicas, a fim de evitar resultados de saúde dispendiosos ou adversos. Para certos grupos de pacientes, intervenções intensivas no estilo de vida são vitais para melhorar a adesão à medicação. A previsão precisa da adesão ao tratamento pode abrir caminhos para o desenvolvimento de uma ferramenta de intervenção sob demanda, permitindo suporte oportuno e personalizado. Com a crescente popularidade de smartphones e wearables, agora é mais fácil do que nunca desenvolver e implantar sistemas inteligentes de monitoramento de atividades. No entanto, sistemas eficazes de previsão de adesão ao tratamento baseados em sensores vestíveis ainda não estão amplamente disponíveis. Nós preenchemos essa lacuna propondo o Adherence Forecasting and Intervention with Machine Intelligence (AIMI). O AIMI é um sistema de previsão de adesão guiado por conhecimento que aproveita os sensores de smartphones e o histórico anterior de medicação para estimar a probabilidade de esquecer de tomar um medicamento prescrito. Um estudo de usuário foi conduzido com 27 participantes que tomavam medicamentos diários para gerenciar suas doenças cardiovasculares. Projetamos e desenvolvemos modelos de previsão baseados em CNN e LSTM com várias combinações de características de entrada e descobrimos que os modelos LSTM podem prever a adesão à medicação com uma precisão de 0,932 e um F-1 score de 0,936. Além disso, por meio de uma série de estudos de ablação envolvendo arquiteturas de redes neurais convolucionais e recorrentes, demonstramos que o aproveitamento de conhecimentos conhecidos sobre o futuro e o treinamento personalizado aumenta a precisão da previsão de adesão à medicação. Código disponível: 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.