Detail publikace
Continuous Assessment of Function and Disability via Mobile Sensing: Real-World Data-Driven Feasibility Study
ROMERO-MEDRANO, L.
DE LEON MARTINEZ, S.
HERRERA, J.
CAMPANA-MONTES, J.
OLMOS, M.
BACA-GARCIA, E.
ARTES, A.
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{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"
}