面向慢性病的数驱动态治疗规划
应用统计
2022-06-03 v1
摘要
为提供有效照护，健康管理必须考虑慢性病的独特轨迹。这些疾病反复经历急性、不稳定和稳定阶段，各阶段需要不同的治疗方案。然而，正确识别轨迹阶段并由此确定治疗方案具有挑战性。本文提出一种数据驱动的动态方法，用于识别慢性病的轨迹阶段并由此建议治疗方案。具体而言，我们开发了新颖的变时长 copula 隐马尔可夫模型（VDC-HMMX）。在我们的 VDC-HMMX 中，轨迹被建模为一系列具有急性、稳定和不确定阶段的隐状态，这些阶段最终被恢复。我们基于一项包含 928 名腰痛患者的纵向研究证明了 VDC-HMMX 模型的有效性。一个短视分类器以略高于 70% 的平衡准确率识别正确治疗方案。相比之下，我们的 VDC-HMMX 模型以 83.65% 的平衡准确率正确识别。这由此凸显了纵向监测在慢性病管理中的价值。
引用
@article{arxiv.2206.00953,
title = {Data-driven dynamic treatment planning for chronic diseases},
author = {Christof Naumzik and Stefan Feuerriegel and Anne Molgaard Nielsen},
journal= {arXiv preprint arXiv:2206.00953},
year = {2022}
}