Detail publikace

Continuous Assessment of Function and Disability via Mobile Sensing: Real-World Data-Driven Feasibility Study

SUKEI, E.; ROMERO-MEDRANO, L.; DE LEON MARTINEZ, S.; HERRERA, J.; CAMPANA-MONTES, J.; OLMOS, M.; BACA-GARCIA, E.; ARTES, A. Continuous Assessment of Function and Disability via Mobile Sensing: Real-World Data-Driven Feasibility Study. JMIR Formative Research, 2023, vol. 7, no. 2023, p. 1-10. ISSN: 2561-326X.
Název česky
Průběžné hodnocení funkce a postižení prostřednictvím mobilního telefonu Snímání: Studie proveditelnosti založená na datech z reálného světa
Typ
článek v časopise
Jazyk
anglicky
Autoři
SUKEI, E.
ROMERO-MEDRANO, L.
DE LEON MARTINEZ, S.
HERRERA, J.
CAMPANA-MONTES, J.
OLMOS, M.
BACA-GARCIA, E.
ARTES, A.
URL
Klíčová slova

WHODAS; functional limitations; mobile sensing; passive ecological current
assessment; predictive modeling; interpretability of machine learning; machine
learning; disability; clinical outcome

Abstrakt

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

Rok
2023
Strany
1–10
Časopis
JMIR Formative Research, roč. 7, č. 2023, ISSN 2561-326X
DOI
UT WoS
001107546900002
EID Scopus
BibTeX
@article{BUT186905,
  author="SUKEI, E. and ROMERO-MEDRANO, L. and DE LEON MARTINEZ, S. and HERRERA, J. and CAMPANA-MONTES, J. and OLMOS, M. and BACA-GARCIA, E. and ARTES, A.",
  title="Continuous Assessment of Function and Disability via Mobile Sensing: Real-World Data-Driven Feasibility Study",
  journal="JMIR Formative Research",
  year="2023",
  volume="7",
  number="2023",
  pages="1--10",
  doi="10.2196/47167",
  issn="2561-326X",
  url="https://formative.jmir.org/2023/1/e47167/authors"
}
Nahoru