ActSafe：针对用药依从性预测医疗时间约束违规
机器学习
2023-01-18 v1
摘要
处方药物常常对患者的规律健康行为（RHBs）施加时间约束，例如服药前进食。此类医疗时间约束（MTCs）的违规可能导致不良反应。在违规发生前进行检测和预测有助于提醒患者。我们形式化了建模 MTCs 的问题，并开发了概念验证解决方案 ActSafe，以提前预测 MTCs 的违规。ActSafe 利用基于上下文无关文法的方法从患者教育材料中提取并映射 MTCs。它还解决了准确预测 MTCs 核心的 RHBs（例如服药）的挑战。我们的新颖行为预测模型 HERBERT 利用时间序列的基向量化，该方法可跨行为的时间尺度和持续时间泛化，并显式捕获时间共现行为之间的依赖关系。基于使用从 28 名患者在非受控环境中收集的真实世界 RHB 数据集的评估，HERBERT 相较基线模型平均减少了 51% 的均方根误差。基于涉及慢性病患者的评估，ActSafe 可提前一天预测 MTC 违规，平均 F1 分数为 0.86。
引用
@article{arxiv.2301.07051,
title = {ActSafe: Predicting Violations of Medical Temporal Constraints for Medication Adherence},
author = {Parker Seegmiller and Joseph Gatto and Abdullah Mamun and Hassan Ghasemzadeh and Diane Cook and John Stankovic and Sarah Masud Preum},
journal= {arXiv preprint arXiv:2301.07051},
year = {2023}
}