論文の概要: Uncertainty-Informed Scheduling of Decision Points for Intelligent Mobile Health Interventions

• arxiv url: http://arxiv.org/abs/2507.10798v1
• Date: Mon, 14 Jul 2025 20:51:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-16 19:46:02.884051
• Title: Uncertainty-Informed Scheduling of Decision Points for Intelligent Mobile Health Interventions
• Title（参考訳）: インテリジェント・モバイル・ヘルス・インターベンションのための不確実性インフォームドによる決定点のスケジューリング
• Authors: Asim H. Gazi, Bhanu T. Gullapalli, Daiqi Gao, Benjamin M. Marlin, Vivek Shetty, Susan A. Murphy,
• Abstract要約: タイムリーな意思決定は、モバイルヘルス(mHealth)介入の有効性に不可欠である。 本研究では,予測行動時間における不確実性に基づく決定点の動的スケジューリング手法であるSigmaSchedulingを提案する。 以上の結果から,SigmaSchedulingがmHealthの精度を向上させることが示唆された。
• 参考スコア（独自算出の注目度）: 10.128894739784547
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Timely decision making is critical to the effectiveness of mobile health (mHealth) interventions. At predefined timepoints called "decision points," intelligent mHealth systems such as just-in-time adaptive interventions (JITAIs) estimate an individual's biobehavioral context from sensor or survey data and determine whether and how to intervene. For interventions targeting habitual behavior (e.g., oral hygiene), effectiveness often hinges on delivering support shortly before the target behavior is likely to occur. Current practice schedules decision points at a fixed interval (e.g., one hour) before user-provided behavior times, and the fixed interval is kept the same for all individuals. However, this one-size-fits-all approach performs poorly for individuals with irregular routines, often scheduling decision points after the target behavior has already occurred, rendering interventions ineffective. In this paper, we propose SigmaScheduling, a method to dynamically schedule decision points based on uncertainty in predicted behavior times. When behavior timing is more predictable, SigmaScheduling schedules decision points closer to the predicted behavior time; when timing is less certain, SigmaScheduling schedules decision points earlier, increasing the likelihood of timely intervention. We evaluated SigmaScheduling using real-world data from 68 participants in a 10-week trial of Oralytics, a JITAI designed to improve daily toothbrushing. SigmaScheduling increased the likelihood that decision points preceded brushing events in at least 70% of cases, preserving opportunities to intervene and impact behavior. Our results indicate that SigmaScheduling can advance precision mHealth, particularly for JITAIs targeting time-sensitive, habitual behaviors such as oral hygiene or dietary habits.
• Abstract（参考訳）: タイムリーな意思決定は、モバイルヘルス(mHealth)介入の有効性に不可欠である。 決定点」と呼ばれる予め定義された時点において、ジャスト・イン・タイム適応介入(JITAI)のようなインテリジェントなmHealthシステムは、センサーや調査データから個人の行動コンテキストを推定し、どのように介入するかを判断する。 習慣行動(例えば、口腔衛生)をターゲットにした介入では、標的行動が起こる直前に支援の提供に効果が影響されることがしばしばある。 現在のプラクティスでは、ユーザが提供する行動時間より前の一定間隔(例えば1時間)で決定ポイントをスケジュールし、固定間隔をすべての個人に保持する。 しかし、このワンサイズのアプローチは、不規則なルーチンを持つ個人には不適当であり、しばしば、目標行動が既に発生した後に決定ポイントをスケジューリングし、介入を効果的にしない。 本稿では,予測行動時間の不確実性に基づいて決定点を動的にスケジューリングするSigmaSchedulingを提案する。 動作タイミングが予測可能であれば、SigmaSchedulingは予測された動作時間に近い決定ポイントをスケジュールし、タイミングが不確実であれば、SigmaSchedulingは決定ポイントを早期にスケジュールし、タイムリーな介入の可能性を高める。 日常歯ブラシの改善を目的としたJITAIであるOralyticsの10週間の試験において,68名の実世界データを用いてSigmaSchedulingを評価した。 SigmaSchedulingは、意思決定ポイントが少なくとも70%のケースでブラッシングイベントに先行する可能性を高め、介入し、行動に影響を与える機会を保った。 以上の結果から,SigmaSchedulingがmHealthの精度を向上させることが示唆された。

関連論文リスト

• Treatment Effect Estimation for Optimal Decision-Making [65.30942348196443]
  2段階CATE推定器を用いた最適意思決定について検討する。 本稿では,CATE推定誤差と判定性能のバランスをとるためにCATEを再ターゲットとした2段階学習目標を提案する。
  論文  参考訳（メタデータ） (2025-05-19T13:24:57Z)
• Score Matching-based Pseudolikelihood Estimation of Neural Marked Spatio-Temporal Point Process with Uncertainty Quantification [59.81904428056924]
  我々は、不確実な定量化を伴うmarkPsを学習するためのスコアMAtching推定器であるSMASHを紹介する。 具体的には,スコアマッチングによるマークPsの擬似的類似度を推定することにより,正規化自由度を推定する。 提案手法の優れた性能は、事象予測と不確実性定量化の両方において広範な実験によって実証される。
  論文  参考訳（メタデータ） (2023-10-25T02:37:51Z)
• Performative Time-Series Forecasting [64.03865043422597]
  我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。 本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。 新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T18:34:29Z)
• CenTime: Event-Conditional Modelling of Censoring in Survival Analysis [49.44664144472712]
  CenTimeは、イベントへの時間を直接見積もる、サバイバル分析の新しいアプローチである。 本手法は,非検閲データが少ない場合でも,堅牢なイベント条件検閲機構を特徴とする。 以上の結果から,CenTimeは同等の性能を維持しつつ,死までの時間を予測する上で,最先端のパフォーマンスを提供することがわかった。
  論文  参考訳（メタデータ） (2023-09-07T17:07:33Z)
• Undersampling and Cumulative Class Re-decision Methods to Improve Detection of Agitation in People with Dementia [16.949993123698345]
  消化は認知症(PwD)で最も多い症状の1つである。 前回の研究では、参加者17名から600日間のマルチモーダルウェアラブルセンサデータを収集し、1分間の窓での動揺を検出する機械学習モデルを開発した。 本稿では,まず,不均衡を解消するために異なるアンダーサンプリング手法を実装し,通常の動作データの20%だけが競合的動揺検出モデルの訓練に適しているという結論に至った。
  論文  参考訳（メタデータ） (2023-02-07T03:14:00Z)
• Temporal Label Smoothing for Early Prediction of Adverse Events [0.0]
  興味ある事象に近接する関数として滑らかな強度を調節する新しい学習戦略であるTLSを提案する。 本手法は, 偽アラーム率の低いイベントリコールなどの臨床関連指標の性能を著しく向上させる。
  論文  参考訳（メタデータ） (2022-08-29T17:58:48Z)
• Discovering Behavioral Predispositions in Data to Improve Human Activity Recognition [1.2961180148172198]
  本研究は,患者が特定の行動を示す傾向のある日や週の特定の時間に観察を行うことにより,認識性能を向上させることを提案する。 クラスタ内のすべての時間セグメントは、同じ挙動からなり、従って振舞い前沈着(BPD)を示す。 実験により、時間セグメント当たりのBPDが分かっている場合、活動認識性能が大幅に向上することが実証された。
  論文  参考訳（メタデータ） (2022-07-18T10:07:15Z)
• Continuous-Time Modeling of Counterfactual Outcomes Using Neural Controlled Differential Equations [84.42837346400151]
  反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。 既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。 そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
  論文  参考訳（メタデータ） (2022-06-16T17:15:15Z)
• Benefit-aware Early Prediction of Health Outcomes on Multivariate EEG Time Series [37.15225732922409]
  この現実世界のアプリケーションに触発されたBeneFitterは、早期の予測から得られた貯蓄を注入し、誤分類から利益と呼ばれる統一されたドメイン固有ターゲットへとコストを落とします。 BeneFitterは効率的で高速で、トレーニング時間は入力シーケンス数で線形であり、意思決定のためにリアルタイムで動作することができる。
  論文  参考訳（メタデータ） (2021-11-11T02:54:36Z)
• Clinical Risk Prediction with Temporal Probabilistic Asymmetric Multi-Task Learning [80.66108902283388]
  マルチタスク学習手法は、臨床リスク予測などの安全クリティカルな応用に注意を払って使用すべきである。 既存の非対称なマルチタスク学習手法は、低損失のタスクから高損失のタスクへの知識伝達を行うことにより、この負の伝達問題に対処する。 特徴レベルの不確実性に基づいて,特定のタスク/タイムステップから関連する不確実なタスクへの知識伝達を行う,新しい時間的非対称型マルチタスク学習モデルを提案する。
  論文  参考訳（メタデータ） (2020-06-23T06:01:36Z)

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。