[論文レビュー] Cybernetic Health

Nitish Nag, Vaibhav Pandey+2 more|arXiv (Cornell University)|May 21, 2017

Mental Health Research Topics参考文献 67被引用数 4

ひとこと要約

本論文は、リアルタイムのデータストリーム、パーソナライズされた予測モデル、および説得技術を統合することで、能動的で個別化された健康介入を可能にするサイバネティクス的健康フレームワークを提案する。イベントベースの意味的抽象化と継続的センシングを活用することで、ライフスタイルおよび環境データを実行可能な、個別化された健康の助言に変換し、閉ループ意思決定を通じて予防医学を前進させる。

ABSTRACT

Future health ecosystems demand the integration of emerging data technology with an increased focus on preventive medicine. Cybernetics extracts the full potential of data to serve the spectrum of health care, from acute to chronic problems. Building actionable cybernetic navigation tools can greatly empower optimal health decisions, especially by quantifying lifestyle and environmental data. This data to decisions transformation is powered by intuitive event analysis to offer the best semantic abstraction of dynamic living systems. Achieving the goal of preventive health systems in the cybernetic model occurs through the flow of several components. From personalized models we can predict health status using perpetual sensing and data streams. Given these predictions, we give precise recommendations to best suit the prediction for that individual. To enact these recommendations we use persuasive technology in order to deliver and execute targeted interventions.

研究の動機と目的

• 健康リスクが現れる前に対応できるように、予防医療のニーズに応えるデータドリブンなシステムを活用すること。
• 現在の健康システムの限界を克服するため、データ収集、予測、的確な干渉を結びつける閉ループモデルを構築すること。
• 複雑なライフスタイルおよび環境データを意味のある、個別化された健康意思決定に変換するサイバネティクス的ナビゲーションツールを開発すること。
• パーソナライズされた健康助言への従順性を確保するため、説得技術を通じて患者の関与を高めること。
• 急性および慢性の健康管理を支援する、スケーラブルで動的な健康エコシステムのモデルを確立すること。

提案手法

• 動的な生活システムをリアルタイムで監視するために、継続的センシングと継続的データストリームを活用する。
• 直感的なイベント分析を用いて、健康関連のデータパターンの意味的抽象化を生成する。
• 統合されたライフスタイルおよび環境入力をもとに、個別化された健康状態の予測を行うパーソナライズド健康モデルを構築する。
• データから意思決定への変換を用いて、予測結果を正確で個別化された健康助言に変換する。
• 予測結果と整合するように、ターゲットされた行動介入を実行するための説得技術を適用する。
• 干渉からのフィードバックが将来の予測と助言に反映される、閉ループシステムを構築する。

実験結果

リサーチクエスチョン

• RQ1 ライフスタイルおよび環境からのリアルタイムのデータストリームを、意味のある健康インサイトに効果的に抽象化する方法は何か？
• RQ2 意味的イベント分析が、個別化された健康状態の正確で動的なモデリングをどのように可能にするか？
• RQ3 パーソナライズされた予測モデルは、予防ケアにおける健康状態予測の正確性をどのように向上させるか？
• RQ4 説得技術は、パーソナライズされた健康助言への従順性をどのように向上させるか？
• RQ5 サイバネティクス的フレームワークは、データ、予測、干渉を統合的に、実行可能な健康システムとしてどのように統合するか？

主な発見

• サイバネティクスモデルにより、継続的センシングとリアルタイムのデータストリームを通じて、データドリブンな健康モニタリングが可能になる。
• 直感的なイベント分析により、複雑で動的な健康データが、臨床的解釈に適した意味的表現に成功して抽象化された。
• 個別化されたライフスタイルおよび環境要因を組み込むことで、パーソナライズされた予測モデルが健康状態予測の精度を著しく向上させる。
• 予測に基づいて導かれた実行可能な助言は、説得技術を用いることで効果的に提供され、行動変容を支援できる。
• データ、予測、干渉を閉ループシステムに統合することで、スケーラブルな予防医療エコシステムへの実現可能性が示された。
• 個別化された健康経路に応じて動的に適応するため、フレームワークは急性および慢性の健康管理を両方支援する。