Nöroteknoloji

Giyilebilir Cihazlarla Depresyon Tedavisi Sonuçlarının Kişiselleştirilmiş Tahmini

Özet: Giyilebilir cihazlardan alınan verilere dayanan yeni bir çoklu görev modeli yapay zeka algoritması, depresyonu olanlar için tedavi sonuçlarını bireysel olarak tahmin ediyor.

Kaynak: WUSTL

Geçtiğimiz birkaç yıl içinde, kişinin zihinsel sağlığını yönetmek, öz bakıma artan bir vurgu ile daha fazla öncelik haline geldi. Depresyon tek başına dünya çapında her yıl 300 milyondan fazla insanı etkiliyor.

Bunu kabul ederek, aktivite seviyeleri, uyku ve kalp atış hızı gibi belirteçleri ölçerek bireyin zihinsel sağlığını izlemek için popüler giyilebilir cihazlardan yararlanmaya büyük ilgi vardır.

Louis’deki Washington Üniversitesi ve Chicago Üniversitesi’nden bir araştırma ekibi, randomize bir klinik araştırmaya katılan bireyler üzerinde depresyon tedavisinin sonuçlarını tahmin etmek için giyilebilir cihazlardan elde edilen verileri kullandı.

Her grup için ayrı bir model geliştirmek yerine, rastgele seçilen ve tedavi görmeyen iki hasta grubundan alınan verileri analiz eden yeni bir makine öğrenimi modeli geliştirdiler.

Bu birleşik çoklu görev modeli, doktorların her hastanın ihtiyaçlarına özel bir tedavi planı tasarladığı ve bireyin verilerine dayanarak sonucu tahmin ettiği kişiselleştirilmiş tıbba doğru bir adımdır.

Araştırmanın sonuçları dergide yayınlandı. ACM’nin Etkileşimli, Model, Giyilebilir ve Her Yerde Bulunan Teknolojilere İlişkin Bildirileri ve Eylül ayında UbiComp 2022 konferansında sunulacak.

McKelvey Mühendislik Okulu’nda Fullgraf Profesörü olan Chenyang Lu, Lu’nun laboratuvarında doktora öğrencisi olarak çalışan ve şu anda Google’da yazılım mühendisi olan Ruixuan Dai’nin; Thomas Kannampallil, Tıp Fakültesi’nde anesteziyoloji doçenti ve baş araştırma bilgi görevlisi yardımcısı ve McKelvey Engineering’de bilgisayar bilimi ve mühendisliği doçenti; ve University of Illinois Chicago’da (UIC) tıp profesörü olan Jun Ma, MD, PhD; ve meslektaşları, UIC tarafından depresyon ve obezitesi olan yaklaşık 100 yetişkinle yürütülen randomize bir klinik araştırmadan elde edilen verileri kullanarak modeli geliştirmek için.

Lu, “Entegre davranışsal terapi pahalı ve zaman alıcı olabilir” dedi.

“Bir hastanın belirli bir tedaviye yanıt verme olasılığının olup olmadığı konusunda bireyler için kişiselleştirilmiş tahminler yapabilirsek, o zaman hastalar ancak model, durumlarının tedaviyle iyileşeceğini, ancak tedavi olmadan daha az olası olduğunu tahmin ederse, tedaviye devam edebilir. Tedavi yanıtının bu tür kişiselleştirilmiş tahminleri, daha hedefe yönelik ve uygun maliyetli tedaviyi kolaylaştıracaktır.”

Denemede hastalara Fitbit bileklikler ve psikolojik testler verildi. Hastaların yaklaşık üçte ikisi davranışsal terapi aldı ve geri kalan hastalar almadı. Her iki gruptaki hastalar başlangıçta istatistiksel olarak benzerdi, bu da araştırmacılara tedavinin bireysel verilere dayalı olarak daha iyi sonuçlara yol açıp açmayacağını ayırt edebilecekleri eşit bir oyun alanı sağladı.

Davranışsal terapilerin klinik denemeleri, bu tür müdahalelerin maliyeti ve süresi nedeniyle genellikle nispeten küçük grupları içermiştir. Az sayıda hasta, tipik olarak daha fazla veriyle daha iyi performans gösteren bir makine öğrenimi modeli için bir zorluk oluşturdu.

Bununla birlikte, iki grubun verilerini birleştirerek, model, tedavi görmüş ve görmemiş olanlar arasındaki farklılıkları yakalayan daha büyük bir veri kümesinden öğrenebilir. Çoklu görev modellerinin, grupların her birine ayrı ayrı bakan bir modelden daha iyi depresyon sonuçlarını öngördüğünü buldular.

Bu bir kafanın ana hatlarını gösterir
Çoklu görev modellerinin, grupların her birine ayrı ayrı bakan bir modelden daha iyi depresyon sonuçlarını öngördüğünü buldular. Resim kamu malı

Bilgisayar alanında doktora yapan Dai, “Tedavi olan ve olmayan bir bireyin kişiselleştirilmiş sonuçlarını tahmin etmek için birleşik bir modeli ortaklaşa eğitmek için müdahale grubu ve kontrol grubunu randomize bir kontrol denemesinde birleştiren çok görevli bir çerçeveye öncülük ettik” dedi. 2022’de bilim.

“Model, klinik özellikleri ve giyilebilir verileri çok katmanlı bir mimariye entegre etti. Bu yaklaşım, çalışma gruplarını makine öğrenimi modelleri için daha küçük gruplara bölmekten kaçınıyor ve hem müdahaleli hem de müdahalesiz tahmin performansını optimize etmek için gruplar arasında dinamik bir bilgi aktarımı sağlıyor.”

“Bu veriye dayalı yaklaşımın sonuçları, alınan tedaviye bağlı olarak hasta sonuçlarının kişiselleştirilmiş tahminini yapma yeteneğinin ve bunu erken ve tedavi süreci boyunca yapabilme yeteneğinin anlamlı bir şekilde olabileceği klinik bakım sunumunda uygulamaya yönelik randomize klinik çalışmaların ötesine uzanıyor. Ma, tedavi planını o hastaya göre uyarlamak için hasta ve tedavi eden doktor tarafından ortak karar verme sürecini bilgilendirin” dedi.

Makine öğrenimi yaklaşımı, randomize kontrollü çalışmalardan toplanan verilere dayalı kişiselleştirilmiş tahmin modelleri oluşturmak için umut verici bir araç sağlar.

Ekip, ileriye dönük olarak, bir kilo verme müdahale çalışmasında hastalar arasında Fitbit bileklikler ve ağırlık tartıları kullanarak telesağlık davranışsal müdahalelerin yeni bir randomize kontrollü denemesinde makine öğrenimi yaklaşımından yararlanmayı planlıyor.

Ayrıca bakınız

Bu, bir beynin mavi baskısını gösterir.

Bu nöroteknoloji ve depresyon araştırma haberleri hakkında

Soyut

Randomize Kontrollü Denemeler için Çok Görevli Öğrenme: Giyilebilir Verilerle Depresyonu Öngörme Üzerine Bir Vaka Çalışması

Bir müdahale grubunun hasta sonuçlarını bir kontrol grubuyla karşılaştırarak yeni tedavilerin güvenliğini ve etkinliğini incelemek için randomize kontrollü bir deneme (RCT) kullanılır. Geleneksel olarak, RKÇ’ler, tedavi ve kontrol grupları arasındaki farklılıkları değerlendirmek için istatistiksel analizlere dayanır.

Ancak, bu tür istatistiksel analizler genellikle müdahalenin etkisini bireysel düzeyde değerlendirmek için tasarlanmamıştır. Bu yazıda, hastaların giyilebilir cihazlarla uzunlamasına izlendiği bir depresyon tedavisi müdahalesinin kişiselleştirilmiş tahminleri için bir RCT ile birlikte makine öğrenimi modellerini araştırıyoruz.

Çok görevli öğrenme (MTL) problemi olarak bir RCT’den müdahale ve kontrol gruplarında bireysel düzeyde tahminler formüle ediyoruz ve RCT’ler için özel olarak tasarlanmış yeni bir MTL modeli öneriyoruz. Müdahale ve kontrol grupları için ayrı modeller eğitmek yerine, önerilen MTL modeli her iki grup üzerinde eğitilerek eğitim veri setini etkin bir şekilde genişletir.

MTL modelinin ortak noktalardan yararlanmasına ve iki grup arasındaki farklılıkları yakalamasına olanak tanıyan, farklı kaynaklardan ve denemenin farklı uzunlamasına aşamalarından verileri toplamak için hiyerarşik bir model mimarisi geliştiriyoruz. MTL yaklaşımını, entegre bir müdahale tedavisi almak üzere randomize edilmiş depresyonlu 106 hastayı içeren bir RCT’de değerlendirdik.

Önerdiğimiz MTL modelimiz, tahmine dayalı performansta hem tek görevli modellerden hem de geleneksel çok görevli modelden daha iyi performans gösterir ve hassas tıp için tahmine dayalı modeller geliştirmek üzere RKÇ’lerde toplanan verilerin kullanılmasında umut verici bir adımı temsil eder.

Kaynak ve İleri Okuma: https://neurosciencenews.com/depression-wearables-21427/

İlgili Makaleler

Başa dön tuşu