[論文レビュー] Personalized advice for enhancing well-being using automated impulse response analysis --- AIRA

Frank J. Blaauw, Lian van der Krieke+3 more|arXiv (Cornell University)|Jun 15, 2017

Mental Health Research Topics参考文献 31被引用数 10

ひとこと要約

本論文では、生態的モーメンタリー評価（EMA）研究からの時系列データをベクトル自己回帰（VAR）モデルを用いて分析することで、個別化されたメンタルウェルネスアドバイスを生成するアルゴリズムであるAIRA（Automated Impulse Response Analysis）を紹介する。インパulse応答をシミュレートし、ネット効果値を計算することで、ウェルネスに最も影響を与える要因を同定し、変化の程度を定量化する。これにより、計算コストが低く、自動化された個別対応型セルフマネジメント支援が可能になる。

ABSTRACT

The attention for personalized mental health care is thriving. Research data specific to the individual, such as time series sensor data or data from intensive longitudinal studies, is relevant from a research perspective, as analyses on these data can reveal the heterogeneity among the participants and provide more precise and individualized results than with group-based methods. However, using this data for self-management and to help the individual to improve his or her mental health has proven to be challenging. The present work describes a novel approach to automatically generate personalized advice for the improvement of the well-being of individuals by using time series data from intensive longitudinal studies: Automated Impulse Response Analysis (AIRA). AIRA analyzes vector autoregression models of well-being by generating impulse response functions. These impulse response functions are used in simulations to determine which variables in the model have the largest influence on the other variables and thus on the well-being of the participant. The effects found can be used to support self-management. We demonstrate the practical usefulness of AIRA by performing analysis on longitudinal self-reported data about psychological variables. To evaluate its effectiveness and efficacy, we ran its algorithms on two data sets ($N=4$ and $N=5$), and discuss the results. Furthermore, we compare AIRA's output to the results of a previously published study and show that the results are comparable. By automating Impulse Response Function Analysis, AIRA fulfills the need for accurate individualized models of health outcomes at a low resource cost with the potential for upscaling.

研究の動機と目的

• 複雑な個別レベルの時系列メンタルヘルスデータを、実行可能な個別化されたセルフマネジメントアドバイスに変換する課題に対処すること。
• ベクトル自己回帰（VAR）モデルの分析を自動化し、集中的な縦断的データから意味のある、解釈可能なインサイトを抽出すること。
• 心理的変数の前向きおよび後向き効果を両方反映した、スケーラブルで低コストの個別化された推奨事項を生成する方法を開発すること。
• 効率的でブラウザベースの実装により、eヘルスおよびmヘルスプラットフォームにおける個別化されたメンタルヘルスフィードバックの実用的導入を可能にすること。
• 相反するラグ効果を1つのネット効果値に要約する体系的な方法を提供し、意思決定支援を行うこと。

提案手法

• AIRAは、生態的モーメンタリー評価（EMA）研究からの個別レベルの時系列データにフィットしたベクトル自己回帰（VAR）モデルを用いる。
• 各変数が他のすべての変数に時間経過とともに与える動的効果をシミュレートするために、インパulse応答関数（IRF）を計算する。
• 定められた時間範囲にわたりIRFの軌道を集約し、全体的な影響がネット増加かネット減少かを特定するネット効果値を計算する。
• ブートストラップを適用して、ネット効果値の安定性と有意性を評価し、信頼性を向上させる。
• IRFシミュレーションに基づき、ウェルネスに望ましい変化を達成するために必要なターゲット変数のパcentage変化を計算する。
• AIRAはRおよびJavaScriptで実装されており、リアルタイムのフィードバックを提供するウェブベースのeヘルスプラットフォームへのデプロイが可能である。

実験結果

リサーチクエスチョン

• RQ1 集中的な縦断的研究からの個別レベルの時系列データを、実行可能な個別化されたメンタルウェルネスアドバイスにどのように変換できるか？
• RQ2 変数の影響が前向きおよび後向きのラグ効果を併せ持つ場合、ウェルネスに与えるネット効果は何か？
• RQ3 自動化されたインパulse応答分析は、メンタルヘルス分野におけるセルフマネジメントのための信頼性があり、解釈可能でスケーラブルな推奨事項を生成できるか？
• RQ4 AIRAの出力結果は、従来の手動またはグループベースの分析と比較して、一貫性および臨床的妥当性においてどのように異なるか？
• RQ5 このようなシステムを実世界のeヘルスアプリケーションにデプロイする上で、計算上の実現可能性はいかがなものか？

主な発見

• AIRAは、相反するラグ効果を1つの解釈可能な指標に要約するネット効果値を効果的に計算し、変数の全体的な影響が有益か有害かを示している。
• アルゴリズムは、シミュレートされたインパulse応答に基づき、望ましいウェルネスの変化を達成するために必要な変数のパcentage変化を指定する個別化された推奨事項を生成している。
• パフォーマンス評価では、20ステップの時間範囲を持つ6変数VARモデルについて、現代のラップトップで1秒未満でアドバイスの計算が可能であり、強力なスケーラビリティを示している。
• 2つの小さなデータセット（N=4およびN=5）に対するAIRAの結果は、以前に発表された研究の結果と同等であり、分析の一貫性が検証された。
• この手法は、ラグにわたる混合効果を効果的に処理でき、変数の全体的影響がネット増加かネット減少かという曖昧さを解消している。
• RおよびJavaScriptでの実装により、ウェブおよびモバイル環境へのデプロイが可能となり、eヘルスプラットフォームにおけるリアルタイムでインタラクティブなフィードバックを支援している。