AIMI: Nutzung zukünftigen Wissens und Personalisierung in der Prognose seltener Ereignisse für die Therapietreue

AIMI: Leveraging Future Knowledge and Personalization in Sparse Event Forecasting for Treatment Adherence

March 20, 2025

Autoren: Abdullah Mamun, Diane J. Cook, Hassan Ghasemzadeh

cs.AI

Zusammenfassung

Die Einhaltung verschriebener Behandlungen ist für Personen mit chronischen Erkrankungen entscheidend, um kostspielige oder negative Gesundheitsfolgen zu vermeiden. Für bestimmte Patientengruppen sind intensive Lebensstilinterventionen von zentraler Bedeutung, um die Medikamentenadhärenz zu verbessern. Eine genaue Vorhersage der Behandlungstreue kann Wege zur Entwicklung eines bedarfsgerechten Interventionswerkzeugs eröffnen, das zeitnahe und personalisierte Unterstützung ermöglicht. Mit der zunehmenden Verbreitung von Smartphones und Wearables ist es heute einfacher denn je, intelligente Aktivitätsüberwachungssysteme zu entwickeln und einzusetzen. Dennoch sind effektive Vorhersagesysteme für die Behandlungstreue, die auf Wearable-Sensoren basieren, noch nicht weit verbreitet. Wir schließen diese Lücke mit der Entwicklung von Adherence Forecasting and Intervention with Machine Intelligence (AIMI). AIMI ist ein wissensgestütztes Vorhersagesystem für die Adhärenz, das Smartphone-Sensoren und frühere Medikationshistorie nutzt, um die Wahrscheinlichkeit des Vergessens einer verschriebenen Medikation zu schätzen. Eine Nutzerstudie wurde mit 27 Teilnehmern durchgeführt, die täglich Medikamente zur Behandlung ihrer Herz-Kreislauf-Erkrankungen einnahmen. Wir entwarfen und entwickelten CNN- und LSTM-basierte Vorhersagemodelle mit verschiedenen Kombinationen von Eingabefeatures und fanden heraus, dass LSTM-Modelle die Medikamentenadhärenz mit einer Genauigkeit von 0,932 und einem F1-Score von 0,936 vorhersagen können. Darüber hinaus zeigen wir durch eine Reihe von Ablationsstudien mit konvolutionalen und rekurrenten neuronalen Netzwerkarchitekturen, dass die Nutzung bekannter Informationen über die Zukunft und personalisiertes Training die Genauigkeit der Vorhersage der Medikamentenadhärenz verbessert. Code verfügbar: https://github.com/ab9mamun/AIMI.

English

Adherence to prescribed treatments is crucial for individuals with chronic conditions to avoid costly or adverse health outcomes. For certain patient groups, intensive lifestyle interventions are vital for enhancing medication adherence. Accurate forecasting of treatment adherence can open pathways to developing an on-demand intervention tool, enabling timely and personalized support. With the increasing popularity of smartphones and wearables, it is now easier than ever to develop and deploy smart activity monitoring systems. However, effective forecasting systems for treatment adherence based on wearable sensors are still not widely available. We close this gap by proposing Adherence Forecasting and Intervention with Machine Intelligence (AIMI). AIMI is a knowledge-guided adherence forecasting system that leverages smartphone sensors and previous medication history to estimate the likelihood of forgetting to take a prescribed medication. A user study was conducted with 27 participants who took daily medications to manage their cardiovascular diseases. We designed and developed CNN and LSTM-based forecasting models with various combinations of input features and found that LSTM models can forecast medication adherence with an accuracy of 0.932 and an F-1 score of 0.936. Moreover, through a series of ablation studies involving convolutional and recurrent neural network architectures, we demonstrate that leveraging known knowledge about future and personalized training enhances the accuracy of medication adherence forecasting. Code available: https://github.com/ab9mamun/AIMI.