Automatic Patient Functionality Assessment from Multimodal Data using Deep Learning Techniques - Development and Feasibility Evaluation

In-situ sledování pacientů, Digitální fenotypování, Ekologická momentka, Hodnocení, Modelování časových řad, Modely pozornosti, Učení přenosu

Nositelná zařízení a mobilní senzory umožňují v reálném čase nenápadně shromažďovat bohatý zdroj fyziologických a behaviorálních dat. Na rozdíl od tradičního osobního hodnocení nebo dotazníkových přístupů založených na ekologickém momentálním hodnocení (EMA) otevírají tyto zdroje dat mnoho možností při dálkovém sledování pacientů. Definování robustních modelů je však náročné vzhledem k tomu, že data jsou zašuměná a pozorování často chybí.

V této práci je navržen pipeline založený na neuronových sítích s dlouhou krátkodobou pamětí (Long Short-Term Memory, LSTM) pro predikci poruch mobility na základě hodnocení WHODAS 2.0 z takových digitálních biomarkerů. Dále jsme se zabývali problémem chybějících pozorování s využitím skrytých Markovových modelů a možností zahrnout informace z neoznačených vzorků prostřednictvím přenosového učení. Náš přístup jsme ověřili pomocí dvou souborů dat z nositelných/mobilních senzorů nasbíraných v přírodě a sociodemografických informací o pacientech.

Naše výsledky ukázaly, že v úloze predikce poruch mobility v programu WHODAS 2.0 navrhovaná pipeline překonala předchozí základní linii a navíc poskytla interpretovatelnost pomocí tepelných map pozornosti. Kromě toho se stejný model dokázal za použití mnohem menší kohorty prostřednictvím učení přenosu úloh naučit přesně předpovídat závažnost generalizované úzkosti na základě skóre GAD-7.

Translated with www.DeepL.com/Translator (free version)