AIMI: Использование знаний о будущем и персонализации в прогнозировании редких событий для повышения приверженности лечению

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

March 20, 2025

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

cs.AI

Аннотация

Соблюдение предписанного лечения имеет решающее значение для людей с хроническими заболеваниями, чтобы избежать дорогостоящих или неблагоприятных последствий для здоровья. Для определенных групп пациентов интенсивные изменения образа жизни жизненно важны для повышения приверженности к лечению. Точный прогноз приверженности к лечению может открыть пути к разработке инструмента для оперативного вмешательства, обеспечивая своевременную и персонализированную поддержку. С ростом популярности смартфонов и носимых устройств стало проще, чем когда-либо, разрабатывать и внедрять системы интеллектуального мониторинга активности. Однако эффективные системы прогнозирования приверженности к лечению на основе носимых датчиков до сих пор не получили широкого распространения. Мы устраняем этот пробел, предлагая систему Adherence Forecasting and Intervention with Machine Intelligence (AIMI). AIMI — это система прогнозирования приверженности, основанная на знаниях, которая использует датчики смартфона и историю приема лекарств для оценки вероятности пропуска приема назначенного препарата. Было проведено исследование с участием 27 человек, ежедневно принимавших лекарства для лечения сердечно-сосудистых заболеваний. Мы разработали модели прогнозирования на основе CNN и LSTM с различными комбинациями входных признаков и обнаружили, что модели LSTM могут прогнозировать приверженность к лечению с точностью 0,932 и F-1-мерой 0,936. Более того, в ходе серии экспериментов с использованием архитектур сверточных и рекуррентных нейронных сетей мы показали, что использование известных данных о будущем и персонализированное обучение повышают точность прогнозирования приверженности к лечению. Код доступен: 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.