論文の概要: AIMI: Leveraging Future Knowledge and Personalization in Sparse Event Forecasting for Treatment Adherence

• arxiv url: http://arxiv.org/abs/2503.16091v1
• Date: Thu, 20 Mar 2025 12:32:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-21 16:35:31.597590
• Title: AIMI: Leveraging Future Knowledge and Personalization in Sparse Event Forecasting for Treatment Adherence
• Title（参考訳）: AIMI:Sparse Event Forecasting for Treatment Adherenceにおける今後の知識とパーソナライズ
• Authors: Abdullah Mamun, Diane J. Cook, Hassan Ghasemzadeh,
• Abstract要約: 慢性疾患の患者は、費用がかかるか悪い健康結果を避けるために、所定の治療への順守が不可欠である。 我々はAIMI(Adherence Forecasting and Intervention with Machine Intelligence)を提案する。 AIMIはスマートフォンのセンサーと以前の薬歴を使って、所定の薬を服用することを忘れる可能性を見積もっている。
• 参考スコア（独自算出の注目度）: 11.376437695524087
• License:
• Abstract: 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.
• Abstract（参考訳）: 慢性疾患の患者は、費用がかかるか悪い健康結果を避けるために、所定の治療への順守が不可欠である。 特定の患者グループにとって、集中的なライフスタイルの介入は薬物の付着を増強するのに不可欠である。 治療適応の正確な予測は、オンデマンド介入ツールを開発するための経路を開くことができ、タイムリーでパーソナライズされたサポートを可能にする。 スマートフォンやウェアラブルの人気が高まっているため、スマートアクティビティ監視システムの開発や展開がこれまで以上に容易になった。 しかし,ウェアラブルセンサによる治療適応の効果的な予測システムはまだ広く普及していない。 私たちは、Adherence ForecastingとIntervention with Machine Intelligence (AIMI)を提案することで、このギャップを埋めます。 AIMI(AIMI)は、スマートフォンのセンサーと過去の薬歴を利用して、所定の薬を服用することを忘れる確率を推定する知識誘導型付着予測システムである。 心臓血管疾患管理のために毎日の薬を服用した27人の被験者を対象に,ユーザスタディを行った。 CNN と LSTM を用いた様々な入力特徴の組み合わせによる予測モデルの設計と開発を行い,LSTM モデルでは 0.932 の精度と F-1 のスコア 0.936 の精度で薬剤の付着を予測できることがわかった。 さらに、畳み込みと繰り返しのニューラルネットワークアーキテクチャを含む一連のアブレーション研究を通じて、将来についての既知の知識とパーソナライズドトレーニングを活用することで、薬物付着予測の精度が向上することを示した。 コードはhttps://github.com/ab9mamun/AIMI。

関連論文リスト

• MANGO: Multimodal Acuity traNsformer for intelliGent ICU Outcomes [11.385654412265461]
  Intelligent ICU 結果に対する Multimodal Acuity traNsformer を提案する。 患者の容積状態、遷移、生命維持療法の必要性の予測を強化するように設計されている。
  論文  参考訳（メタデータ） (2024-12-13T23:51:15Z)
• A Multi-Modal Non-Invasive Deep Learning Framework for Progressive Prediction of Seizures [10.250114060511134]
  本稿では,発作の進行(発生に間に合う)予測を目的とした革新的なフレームワークを提案する。 本フレームワークでは,非侵襲脳波(EEG)および心電図(ECG)センサのネットワークから,高度なディープラーニング(DL)技術を用いてパーソナライズされたデータを利用する。 29例中95%の感度,98%の特異性,97%の精度が得られた。
  論文  参考訳（メタデータ） (2024-10-26T04:06:09Z)
• Federated Anomaly Detection for Early-Stage Diagnosis of Autism Spectrum Disorders using Serious Game Data [0.0]
  本研究では,AutoEncoder-based Machine Learning (ML) 手法を用いて,ASD検出のための新しい半教師付きアプローチを提案する。 この目的に特化して設計された真剣なゲームを通じて手作業で収集したデータを利用する。 ゲーミフィケーションされたアプリケーションによって収集されたセンシティブなデータは、プライバシー漏洩の影響を受けやすいため、フェデレートラーニングフレームワークを開発した。
  論文  参考訳（メタデータ） (2024-10-25T23:00:12Z)
• RFID based Health Adherence Medicine Case Using Fair Federated Learning [0.0]
  RFIDベースのデータ記録とNFCベースのデータ抽出を活用するスマートヘルスアテンデンスツールであるSmart Pill Caseを紹介した。 このシステムには、正確な量測定のためのロードセルが含まれており、薬の摂取をモニターし、提案し、警告を発するAndroidアプリを備えている。 フェデレートラーニングにより、Smart Pill Caseは、個々のプライバシーを損なうことなく、複数のユーザの薬の付着パターンから学ぶことができる。
  論文  参考訳（メタデータ） (2024-08-21T17:12:40Z)
• Analyzing Participants' Engagement during Online Meetings Using Unsupervised Remote Photoplethysmography with Behavioral Features [50.82725748981231]
  エンゲージメント測定は、医療、教育、サービスに応用される。 生理的特徴と行動的特徴の使用は可能であるが、従来の生理的測定の非現実性は接触センサーの必要性により生じる。 コンタクトセンサの代替として, 教師なし光胸腺造影(胸腔鏡)の有用性を実証する。
  論文  参考訳（メタデータ） (2024-04-05T20:39:16Z)
• Remote Medication Status Prediction for Individuals with Parkinson's Disease using Time-series Data from Smartphones [75.23250968928578]
  本稿では,パーキンソン病患者のmPowerデータセットを用いて薬剤状態を予測する方法を提案する。 提案手法は,3つの薬物状態を客観的に予測する上で有望な結果を示す。
  論文  参考訳（メタデータ） (2022-07-26T02:08:08Z)
• SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity Prediction [127.43571146741984]
  薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。 湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。 既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。 SSM-DTAフレームワークについて述べる。
  論文  参考訳（メタデータ） (2022-06-20T14:53:25Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)
• Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using Deep Multiple-Instance Learning [59.74684475991192]
  パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。 PD症状には、震動、剛性、ブレイキネジアがある。 本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-06T09:02:30Z)
• Predicting Injectable Medication Adherence via a Smart Sharps Bin and Machine Learning [0.9869634509510016]
  当科では,次の予定薬の時間帯に薬剤を服用することに関して,患者の行動に関する予測を行う。 私たちはこれを、多くの機械学習モデルを活用することで実現しています。 提案した機械学習手法は、受信器動作特性曲線(ROC AUC)0.86の領域を示す非常に優れた予測性能を示した。
  論文  参考訳（メタデータ） (2020-04-02T17:16:51Z)
• Short Term Blood Glucose Prediction based on Continuous Glucose Monitoring Data [53.01543207478818]
  本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。 短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
  論文  参考訳（メタデータ） (2020-02-06T16:39:44Z)

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。