使用可穿戴设备个性化预测抑郁症治疗结果
在过去的几年里，管理一个人的心理健康已经成为一个优先事项，越来越强调自我护理。仅抑郁症每年就影响全球3亿多人。认识到这一点，利用流行的可穿戴设备通过测量活动水平，睡眠和心率等标记来监测个人的心理健康是非常感兴趣的。
圣路易斯华盛顿大学和伊利诺伊大学芝加哥分校的一组研究人员使用可穿戴设备的数据来预测参加随机临床试验的个体的抑郁症治疗结果。他们开发了一种新颖的机器学习模型，可以分析来自两组患者的数据 - 随机选择接受治疗的患者和未接受治疗的患者 - 而不是为每个组开发单独的模型。这种统一的多任务模型是迈向个性化医疗的一步，其中医生设计特定于每个患者需求的治疗计划，并根据个人的数据预测结果。
研究结果发表在《ACM关于互动、模型、可穿戴和无处不在的技术论文集》上，并将在9月的UbiComp 2022会议上发表。
麦凯维工程学院的富格拉夫教授卢晨阳带领的团队包括戴瑞轩，戴瑞轩在卢的实验室当博士生，现在是谷歌的软件工程师;托马斯·坎南帕利尔，医学院麻醉学副教授兼副首席研究信息官，麦凯维工程公司计算机科学与工程副教授;和马骏，医学博士，伊利诺伊大学芝加哥分校(UIC)医学教授;和同事使用UIC对约100名患有抑郁症和肥胖症的成年人进行的随机临床试验的数据开发该模型。
“综合行为疗法可能既昂贵又耗时，”卢说。“如果我们能够对个体做出个性化预测，判断患者是否可能对特定治疗有反应，那么只有当模型预测他们的病情可能随着治疗而改善，但如果不治疗，患者才可能继续治疗。这种对治疗反应的个性化预测将促进更具针对性和成本效益的治疗。
在试验中，患者接受了Fitbit腕带和心理测试。大约三分之二的患者接受了行为治疗，其余患者没有。两组的患者在基线时在统计学上相似，这为研究人员提供了一个公平的竞争环境，从中可以辨别治疗是否会根据个体数据改善结果。
由于此类干预措施的成本和持续时间，行为疗法的临床试验通常涉及相对较小的队列。少量的患者给机器学习模型带来了挑战，而机器学习模型通常使用更多数据时表现更好。然而，通过结合两组的数据，该模型可以从更大的数据集中学习，该数据集捕获了接受过治疗的人和没有接受过治疗的人的差异。他们发现，他们的多任务模型比单独观察每个组的模型更好地预测了抑郁症的结果。
“我们开创了一个多任务框架，在一项随机对照试验中将干预组和对照组结合起来，共同训练一个统一的模型来预测有和没有治疗的个体的个性化结果，”Dai说，他于2022年获得计算机科学博士学位。“该模型在多层架构中集成了临床特征和可穿戴数据。这种方法避免了将研究队列分成更小的组用于机器学习模型，并实现了组之间的动态知识转移，以优化有干预和无干预的预测性能。
“这种数据驱动方法的影响从随机临床试验扩展到临床护理交付的实施，其中根据接受的治疗对患者结果进行个性化预测的能力，以及在治疗过程中的早期和早期这样做的能力，可以有意义地为患者和治疗医生的共同决策提供信息，以便为该患者量身定制治疗计划，“马云说。
机器学习方法提供了一个有前途的工具，可以根据从随机对照试验中收集的数据构建个性化的预测模型。展望未来，该团队计划在一项新的随机对照试验中利用机器学习方法，该试验在减肥干预研究中使用Fitbit腕带和体重秤在患者中进行远程医疗行为干预。
版权声明：本文由用户上传，如有侵权请联系删除！