AIMI：在治疗依从性稀疏事件预测中利用未来知识与个性化
机器学习
2025-03-21 v1 人工智能
摘要
对于患有慢性病的人群而言，坚持处方治疗对于避免高昂或不良的健康后果至关重要。对于某些患者群体，强化的生活方式干预对于提高用药依从性至关重要。准确预测治疗依从性可以为开发按需干预工具开辟道路，从而实现及时且个性化的支持。随着智能手机和可穿戴设备的日益普及，开发和部署智能活动监测系统变得前所未有地容易。然而，基于可穿戴传感器的有效治疗依从性预测系统仍不普遍。我们通过提出基于机器智能的依从性预测与干预（AIMI）来填补这一空白。AIMI 是一个知识引导的依从性预测系统，它利用智能手机传感器和既往用药史来估计忘记服用处方药物的可能性。我们进行了一项包含 27 名每日服药以管理心血管疾病的参与者的用户研究。我们设计并开发了基于 CNN 和 LSTM 的预测模型，并测试了不同输入特征组合，发现 LSTM 模型能够以 0.932 的准确率和 0.936 的 F-1 分数预测用药依从性。此外，通过一系列涉及卷积与循环神经网络架构的消融实验，我们证明利用关于未来的已知知识与个性化训练能够提高用药依从性预测的准确率。代码可用：https://github.com/ab9mamun/AIMI。
引用
@article{arxiv.2503.16091,
title = {AIMI: Leveraging Future Knowledge and Personalization in Sparse Event Forecasting for Treatment Adherence},
author = {Abdullah Mamun and Diane J. Cook and Hassan Ghasemzadeh},
journal= {arXiv preprint arXiv:2503.16091},
year = {2025}
}
备注
15 pages, 5 figures