Detail publikace

Automatic Patient Functionality Assessment from Multimodal Data using Deep Learning Techniques - Development and Feasibility Evaluation

SUKEI, E.; DE LEON MARTINEZ, S.; OLMOS, M.; ARTES, A. Automatic Patient Functionality Assessment from Multimodal Data using Deep Learning Techniques - Development and Feasibility Evaluation. Internet Interventions, 2023, vol. 33, no. 100657, p. 1-9. ISSN: 2214-7829.
Název česky
Automatické hodnocení funkčnosti z multimodálních dat pomocí technik hlubokého učení - vývoj a hodnocení proveditelnosti
Typ
článek v časopise
Jazyk
anglicky
Autoři
SUKEI, E.
DE LEON MARTINEZ, S.
OLMOS, M.
ARTES, A.
URL
Klíčová slova

In-situ sledování pacientů, Digitální fenotypování, Ekologická momentka,
Hodnocení, Modelování časových řad, Modely pozornosti, Učení přenosu

Abstrakt

Nositelná zařízení a mobilní senzory umožňují v reálném čase nenápadně
shromažďovat bohatý zdroj fyziologických a behaviorálních dat. Na rozdíl od
tradičního osobního hodnocení nebo dotazníkových přístupů založených na
ekologickém momentálním hodnocení (EMA) otevírají tyto zdroje dat mnoho možností
při dálkovém sledování pacientů. Definování robustních modelů je však náročné
vzhledem k tomu, že data jsou zašuměná a pozorování často chybí.

V této práci je navržen pipeline založený na neuronových sítích s dlouhou
krátkodobou pamětí (Long Short-Term Memory, LSTM) pro predikci poruch mobility na
základě hodnocení WHODAS 2.0 z takových digitálních biomarkerů. Dále jsme se
zabývali problémem chybějících pozorování s využitím skrytých Markovových modelů
a možností zahrnout informace z neoznačených vzorků prostřednictvím přenosového
učení. Náš přístup jsme ověřili pomocí dvou souborů dat z nositelných/mobilních
senzorů nasbíraných v přírodě a sociodemografických informací o pacientech.

Naše výsledky ukázaly, že v úloze predikce poruch mobility v programu WHODAS 2.0
navrhovaná pipeline překonala předchozí základní linii a navíc poskytla
interpretovatelnost pomocí tepelných map pozornosti. Kromě toho se stejný model
dokázal za použití mnohem menší kohorty prostřednictvím učení přenosu úloh naučit
přesně předpovídat závažnost generalizované úzkosti na základě skóre GAD-7.

Translated with www.DeepL.com/Translator (free version)

Rok
2023
Strany
1–9
Časopis
Internet Interventions, roč. 33, č. 100657, ISSN 2214-7829
DOI
10.1016/j.invent.2023.100657
UT WoS
001147787500001
EID Scopus
2-s2.0-85166982926
BibTeX 
@article{BUT184781,
  author="SUKEI, E. and DE LEON MARTINEZ, S. and OLMOS, M. and ARTES, A.",
  title="Automatic Patient Functionality Assessment from Multimodal Data using Deep Learning Techniques - Development and Feasibility Evaluation",
  journal="Internet Interventions",
  year="2023",
  volume="33",
  number="100657",
  pages="1--9",
  doi="10.1016/j.invent.2023.100657",
  issn="2214-7829",
  url="https://www.sciencedirect.com/science/article/pii/S221478292300057X"
}
Nahoru