基于社会认知理论的乳腺癌幸存者长期服药依从性预测计算框架
机器学习
2025-04-22 v1 人机交互
摘要
不遵医嘱服药是一个关键问题，因为近半数慢性病患者未遵循其处方用药方案，导致死亡率上升、成本增加和可预防的人身痛苦。在 0-3 期乳腺癌幸存者中，长期辅助内分泌治疗（即他莫昔芬和芳香化酶抑制剂）的依从性与无复发生存率的显著提高相关。本工作旨在开发多尺度的服药依从性模型，以理解不同因素在不同时间尺度上对依从性的影响。我们引入了一个以社会认知理论为指导的计算框架，用于多尺度（每日和每周）的纵向服药依从性建模。我们的模型同时利用近期动态的服药模式（动态因素）以及变化较少的因素（静态因素）进行依从性预测。此外，我们评估了各种因素在不同时间尺度上对依从行为的影响程度。我们的模型在每日和每周任务上均优于传统机器学习方法，在准确率和特异性上均表现更优。每日模型达到 87.25% 的准确率，每周模型达到 76.04% 的准确率。值得注意的是，动态的既往服药模式对预测每日依从性最有价值，而动态与静态因素的组合对宏观层面的每周依从性模式具有显著意义。
引用
@article{arxiv.2504.14469,
title = {A computational framework for longitudinal medication adherence prediction in breast cancer survivors: A social cognitive theory based approach},
author = {Navreet Kaur and Manuel Gonzales and Cristian Garcia Alcaraz and Jiaqi Gong and Kristen J. Wells and Laura E. Barnes},
journal= {arXiv preprint arXiv:2504.14469},
year = {2025}
}