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"
}