基于智能锐器盒与机器学习预测注射类药物依从性
机器学习
2020-04-03 v1 机器学习
摘要
用药不依从是一个普遍问题，影响超过 50% 患有慢性病且需要长期治疗的人群。不依从加剧了健康风险并导致治疗成本显著上升。为应对这些挑战，预测患者依从性的重要性已得到认识。换言之，通过优先将资源分配给最有可能不依从的患者，提高当前医疗系统干预的效率十分重要。本工作的目标是就个体患者在下一次预定用药机会时按时服药的行为进行预测。我们借助若干机器学习模型实现这一点。特别地，我们展示了使用由 HealthBeacon Ltd. 发明的联网 IoT 设备——“智能锐器盒”（Smart Sharps Bin）——来监测和追踪患者在家庭环境中的注射废弃物处理。利用从这些设备收集的广泛数据，五个机器学习模型，即 Extra Trees Classifier、Random Forest、XGBoost、Gradient Boosting 和 Multilayer Perception，在包含来自 5,915 台 HealthBeacon 设备历时 3 年收集的 165,223 条历史注射处置记录的大型数据集上进行了训练与评估。测试工作是在模型训练完成后一段时间内由智能设备生成的实时数据（即真实的未来数据）上进行的。所提出的机器学习方法展现出非常好的预测性能，其受试者工作特征曲线下面积（ROC AUC）达到 0.86。
引用
@article{arxiv.2004.01144,
title = {Predicting Injectable Medication Adherence via a Smart Sharps Bin and Machine Learning},
author = {Yingqi Gu and Akshay Zalkikar and Lara Kelly and Kieran Daly and Tomas E. Ward},
journal= {arXiv preprint arXiv:2004.01144},
year = {2020}
}
备注
This paper has been accepted by IEEE IoT World Forum