Detail publikace
Continuous Assessment of Function and Disability via Mobile Sensing: Real-World Data-Driven Feasibility Study
Romero-medrano Lorena ()
de Leon Martinez Santiago Jose (UPGM FIT VUT)
Herrera Lopez Jesus ()
Campana-montes Juan Jose ()
Olmos Pablo M. ()
Baca-garcia Enrique ()
Artes Antonio ()
WHODAS; functional limitations; mobile sensing; passive ecological current assessment; predictive modeling; interpretability
of machine learning; machine learning; disability; clinical outcome
Souvislosti: Funkční omezení jsou spojena se špatnými klinickými výsledky, vyšší úmrtností a mírou invalidity, zejména u starších dospělých. Průběžné hodnocení funkčnosti pacientů je důležité pro klinickou praxi; tradiční metody hodnocení založené na dotaznících jsou však časově velmi náročné a používají se jen zřídka. Mobilní snímání nabízí širokou škálu nástrojů, které mohou každodenně hodnotit funkce a postižení.
Cíl: Cílem této práce je prokázat proveditelnost interpretovatelného systému strojového učení pro predikci funkce a postižení na základě výsledků klinického ambulantního hodnocení podle dotazníku World Health Organization Disability Assessment Schedule (WHODAS) 2.0 s využitím pasivně sbíraných digitálních biomarkerů.
Metody: Měsíční časové řady behaviorálních dat sestávající z deskriptorů fyzické a digitální aktivity byly shrnuty pomocí statistických měr (minimum, maximum, průměr, medián, SD a IQR) a vytvořeno 64 znaků, které byly použity pro predikci. Poté jsme použili postupný výběr rysů pro každou doménu programu WHODAS 2.0 (poznávání, mobilita, péče o sebe, zvládání, životní aktivity a participace), abychom našli nejvíce popisné rysy pro každou doménu. Nakonec jsme použili lineární regresi k predikci skóre funkční domény WHODAS 2.0 pomocí nejlepších podmnožin příznaků. Jako statistiku dobré shody jsme uvedli průměrné absolutní chyby a průměrné absolutní procentní chyby ve 4 složkách, abychom mohli model vyhodnotit a umožnili porovnání výkonnosti napříč doménami.
Výsledky : Naše modely založené na strojovém učení pro předpovídání funkčních skóre pacientů v jednotlivých doménách systému WHODAS dosáhly průměrné (v 6 doménách) průměrné absolutní procentní chyby 19,5 % v rozmezí od 14,86 % (doména sebeobsluhy) do 27,21 % (doména životních aktivit). Zjistili jsme, že pro každou doménu postačuje 5 až 19 znaků, z nichž nejvýznamnější byly vzdálenost uražená chůzí, čas strávený doma, čas strávený chůzí, čas strávený cvičením a čas strávený v dopravních prostředcích.
Závěry: Naše zjištění ukazují možnost využití metod strojového učení k hodnocení funkčního zdraví pouze na základě pasivně snímaných mobilních dat. Krok výběru příznaků poskytuje sadu interpretovatelných příznaků pro každou oblast, což zajišťuje lepší vysvětlitelnost rozhodnutí modelu - důležitý aspekt v klinické praxi.
Přeloženo podle DeepL
@ARTICLE{FITPUB13094,
author = "Emese Sukei and Lorena Romero-medrano and Jose Santiago Martinez Leon de and Jesus Lopez Herrera and Jose Juan Campana-montes and M. Pablo Olmos and Enrique Baca-garcia and Antonio Artes",
title = "Continuous Assessment of Function and Disability via Mobile Sensing: Real-World Data-Driven Feasibility Study",
pages = "1--10",
journal = "JMIR Formative Research",
volume = 7,
number = 2023,
year = 2023,
ISSN = "2561-326X",
doi = "10.2196/47167",
language = "english",
url = "https://www.fit.vut.cz/research/publication/13094"
}