論文の概要: Off-Policy Estimation of Long-Term Average Outcomes with Applications to
Mobile Health
- arxiv url: http://arxiv.org/abs/1912.13088v3
- Date: Wed, 22 Jul 2020 18:00:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-17 02:23:51.974893
- Title: Off-Policy Estimation of Long-Term Average Outcomes with Applications to
Mobile Health
- Title(参考訳): モバイル健康への長期平均アウトカムのオフポリシック推定
- Authors: Peng Liao, Predrag Klasnja, Susan Murphy
- Abstract要約: 医療介入は、ストレスや身体活動などの近位、近位的な結果に影響を与えるように設計されている。
ジャスト・イン・タイム適応的介入(ジャスト・イン・タイム・アダプティブ・介入)と呼ばれるmHealthの介入ポリシーは、個人の現在の状態をマッピングする決定ルールである。
我々は,異なる政策の下で収集された歴史的データを用いて,そのような政策の性能に関する推論を行うアプローチを提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Due to the recent advancements in wearables and sensing technology, health
scientists are increasingly developing mobile health (mHealth) interventions.
In mHealth interventions, mobile devices are used to deliver treatment to
individuals as they go about their daily lives. These treatments are generally
designed to impact a near time, proximal outcome such as stress or physical
activity. The mHealth intervention policies, often called just-in-time adaptive
interventions, are decision rules that map an individual's current state (e.g.,
individual's past behaviors as well as current observations of time, location,
social activity, stress and urges to smoke) to a particular treatment at each
of many time points. The vast majority of current mHealth interventions deploy
expert-derived policies. In this paper, we provide an approach for conducting
inference about the performance of one or more such policies using historical
data collected under a possibly different policy. Our measure of performance is
the average of proximal outcomes over a long time period should the particular
mHealth policy be followed. We provide an estimator as well as confidence
intervals. This work is motivated by HeartSteps, an mHealth physical activity
intervention.
- Abstract(参考訳): ウェアラブルとセンサー技術の進歩により、健康科学者はモバイルヘルス(mHealth)の介入をますます発展させつつある。
mHealthの介入では、モバイルデバイスは日々の生活について個人に治療を提供するために使用される。
これらの治療は一般的に、ストレスや身体活動などの近位、近位に影響を及ぼすように設計されている。
ジャスト・イン・タイム適応介入政策(ジャスト・イン・タイム・アダプティブ・インターベンション・ポリシー、ジャスト・イン・タイム・アダプティブ・インターベンション)は、個人の現在の状態(例えば、個人の過去の行動や、時間、場所、社会的活動、ストレス、喫煙の衝動といった現在の観察)を、多くの時点において特定の治療にマップする決定規則である。
現在のmHealth介入の大部分は、専門家によるポリシのデプロイです。
本稿では,おそらく異なる方針の下で収集された履歴データを用いて,複数の政策のパフォーマンスを推測する手法を提案する。
我々の評価基準は、特定のmHealthポリシーに従うと、長期間にわたる近位結果の平均である。
信頼区間だけでなく、推定器も提供します。
この研究は、mHealthの身体活動介入であるHeartStepsによって動機付けられている。
関連論文リスト
- Deep Reinforcement Learning Empowered Activity-Aware Dynamic Health
Monitoring Systems [69.41229290253605]
既存のモニタリングアプローチは、医療機器が複数の健康指標を同時に追跡するという前提で設計されている。
これは、その範囲内で関連するすべての健康値を報告し、過剰なリソース使用と外部データの収集をもたらす可能性があることを意味します。
最適なモニタリング性能とコスト効率のバランスをとるための動的アクティビティ・アウェアヘルスモニタリング戦略(DActAHM)を提案する。
論文 参考訳(メタデータ) (2024-01-19T16:26:35Z) - Adaptive Interventions with User-Defined Goals for Health Behavior
Change [21.62566336428951]
ゴールセット(Goal-setting)は、モバイルヘルス介入のための適応アルゴリズムでは使われていない健康コーチングの重要な要素である。
本稿では、パーソナライズされた報酬関数を最適化することにより、個人化された目標設定に重点を置くトンプソンサンプリングアルゴリズムの修正を提案する。
論文 参考訳(メタデータ) (2023-11-16T01:00:04Z) - Deep Reinforcement Learning for Efficient and Fair Allocation of Health
Care Resources [49.956569971833105]
医療資源の枯渇は、レーションの避けられない結果をもたらす可能性がある。
医療資源割り当てプロトコルの普遍的な標準は存在しない。
本稿では,患者の疾患進行と患者間の相互作用効果を統合するためのトランスフォーマーベースのディープQネットワークを提案する。
論文 参考訳(メタデータ) (2023-09-15T17:28:06Z) - Pruning the Way to Reliable Policies: A Multi-Objective Deep Q-Learning
Approach to Critical Care [68.8204255655161]
我々は、より信頼性の高いクリティカルケアポリシーを得ることができる深いQ-ラーニングアプローチを導入する。
まず、利用可能なすべての報酬に基づいてアクションセットを抽出し、次に、スパース主報酬に基づいて最終モデルを訓練し、制限されたアクションセットで達成する。
論文 参考訳(メタデータ) (2023-06-13T18:02:57Z) - Zero-shot causal learning [64.9368337542558]
CaMLは因果メタラーニングフレームワークであり、各介入の効果をタスクとしてパーソナライズした予測を定式化する。
トレーニング時に存在しない新規介入のパーソナライズされた効果を予測することができることを示す。
論文 参考訳(メタデータ) (2023-01-28T20:14:11Z) - Modeling Mobile Health Users as Reinforcement Learning Agents [27.300572343559285]
モバイルヘルス(mHealth)技術は、患者が日常生活で健康な行動を採用する/維持することを可能にする。
介入がなければ、人間の意思決定が損なわれる可能性がある。
障害の種類によって最適な介入のタイプが異なることを示す。
論文 参考訳(メタデータ) (2022-12-01T20:52:05Z) - User Engagement in Mobile Health Applications [0.0]
モバイルヘルスアプリは、コミュニケーション、効率、サービスの品質を改善することで、医療エコシステムに革命をもたらしている。
低所得国や中所得国では、患者や医療従事者の健康状態や行動に関する情報の源泉としての役割も担っている。
本稿では,医療従事者や医療従事者を支援するデジタルヘルスアプリに焦点をあて,モバイルヘルスへのユーザエンゲージメントを研究するためのフレームワークを提案する。
論文 参考訳(メタデータ) (2022-06-16T13:45:00Z) - Objective Prediction of Tomorrow's Affect Using Multi-Modal
Physiological Data and Personal Chronicles: A Study of Monitoring College
Student Well-being in 2020 [0.0]
本研究の目的は、複数の商用機器を用いて、完全自動的かつ客観的なアプローチにより、影響をより正確に予測する能力を検討することである。
1年以上にわたり、スマートウェアラブルと携帯電話を使用した大学生のサンプルから、縦断的生理データと毎日の感情評価を収集した。
その結果,本モデルでは,技術手法に匹敵する精度で,翌日への影響を予測することができた。
論文 参考訳(メタデータ) (2022-01-26T23:06:20Z) - Learning Language and Multimodal Privacy-Preserving Markers of Mood from
Mobile Data [74.60507696087966]
精神状態は、先進医療に共通する国でも診断されていない。
人間の行動を監視するための有望なデータソースのひとつは、日々のスマートフォンの利用だ。
本研究では,自殺行動のリスクが高い青少年集団の移動行動のデータセットを用いて,日常生活の行動マーカーについて検討した。
論文 参考訳(メタデータ) (2021-06-24T17:46:03Z) - YouTubing at Home: Media Sharing Behavior Change as Proxy for
MobilityAround COVID-19 Lockdowns [6.396288020763143]
この研究は、インターネットユーザーが自宅で過ごす時間を代理する手段として、ソーシャルメディア上でのビデオ共有の有用性に焦点を当てている。
特に、新型コロナウイルス(COVID-19)によるロックダウン措置が109カ国で実施される前や期間中に、TwitterでYouTubeビデオをシェアする人々の数に焦点を当てています。
論文 参考訳(メタデータ) (2021-03-26T17:08:31Z) - Effectiveness and Compliance to Social Distancing During COVID-19 [72.94965109944707]
われわれは、米国内での新型コロナウイルスの感染拡大に対する在宅勤務注文の影響を評価するために、詳細なモビリティデータを用いている。
一方向性グランガー因果性(一方向性グランガー因果性)は、家庭で毎日過ごす時間の割合の中央値から、2週間の遅れを伴うCOVID-19関連死亡件数の日数までである。
論文 参考訳(メタデータ) (2020-06-23T03:36:19Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。