面向慢性病与抑郁的协作管理：基于双异质性的多任务学习方法
机器学习
2025-11-21 v1 人工智能
摘要
可穿戴传感器技术和深度学习正在改变 healthcare 的管理方式。然而，大多数健康感知研究仅聚焦于实体慢性病，忽略了对共病实体慢性病和抑郁进行联合评估的关键需求，这对于协作式慢性病护理至关重要。我们将多疾病评估（包括实体疾病和抑郁）概念化为一个多任务学习（MTL）问题，其中每个疾病评估被建模为一个任务。这种联合表述通过利用疾病间的关系来提高准确性，但也带来了双重异质性挑战：慢性病在表现形式上各不相同（疾病异质性），且相同疾病的患者呈现出不同的模式（患者异质性）。为此，我们首先采用现有技术，提出一个基线方法。鉴于基线方法的局限性，我们进一步提出了基于双异质性的高级多任务学习方法（ADH-MTL），通过三个创新措施改进基线方法：（1）组级建模以支持新患者预测，（2）分解策略以降低模型复杂度，（3）贝叶斯网络显式地捕获依赖关系，同时平衡模型各组件之间的相似性与差异性。在真实世界的可穿戴传感器数据上进行的实证评估表明，ADH-MTL 显著优于现有基线方法，且其每个创新措施都被证明有效。该研究通过为健康信息系统提供计算解决方案，实现实体和心理医疗的集成，并为在治疗前、治疗期及治疗后阶段推进协作式慢性病管理提供设计原则。
引用
@article{arxiv.2511.16398,
title = {Collaborative Management for Chronic Diseases and Depression: A Double Heterogeneity-based Multi-Task Learning Method},
author = {Yidong Chai and Haoxin Liu and Jiaheng Xie and Chaopeng Wang and Xiao Fang},
journal= {arXiv preprint arXiv:2511.16398},
year = {2025}
}