[論文レビュー] Towards Automatic & Personalised Mobile Health Interventions: An Interactive Machine Learning Perspective

Ahmed Fadhil|arXiv (Cornell University)|Mar 3, 2018

Data Stream Mining Techniques参考文献 14被引用数 3

ひとこと要約

本稿では、ケアプロバイダーのフィードバック、ユーザーの行動データ、およびTelegramベースのユーザー報告を統合することで、パーソナライズされた自動的生活習慣介入を可能にする、インタラクティブ機械学習（iML）駆動型モバイルヘルスシステム、CoachMeを提案する。このシステムは、教師ありiMLを用いてユーザーを「アクティブ」「ニュートラル」「パスイブ」に分類し、人間をループに含めたパーソナライズと会話型インターフェースを通じて、行動継続性の向上に向けた有望なアプローチを示している。

ABSTRACT

Machine learning (ML) is the fastest growing field in computer science and healthcare, providing future benefits in improved medical diagnoses, disease analyses and prevention. In this paper, we introduce an application of interactive machine learning (iML) in a telemedicine system, to enable automatic and personalised interventions for lifestyle promotion. We first present the high level architecture of the system and the components forming the overall architecture. We then illustrate the interactive machine learning process design. Prediction models are expected to be trained through the participants' profiles, activity performance, and feedback from the caregiver. Finally, we show some preliminary results during the system implementation and discuss future directions. We envisage the proposed system to be digitally implemented, and behaviourally designed to promote healthy lifestyle and activities, and hence prevent users from the risk of chronic diseases.

研究の動機と目的

• 臨床的環境を超えた生活習慣の促進を目的とした、自動的かつパーソナライズされたモバイルヘルスシステムの開発。
• 適応的でユーザー固有のフィードバックを通じて、行動変容の維持という課題に取り組む。
• 臨床的関連性とユーザー参加度の向上を図るため、機械学習に人間を含めた相互作用を統合する。
• Telegramボットを低負荷のインターフェースとして用いることで、患者の報告と介入の提供の可能性を評価する。
• iMLがユーザーの行動パフォーマンスを分類し、パーソナライズされたケアの推奨にどのように活用できるかを検討する。

提案手法

• 本システムは、ユーザーのプロファイル、行動パフォーマンス、およびケアプロバイダーのフィードバックに基づいて学習された教師あり機械学習分類器を採用し、ユーザーを「アクティブ」「ニュートラル」「パスイブ」の3カテゴリに分類する。
• リアルタイムのユーザーおよびケアプロバイダーからの入力をもとに、反復的にモデルを最適化するため、インタラクティブ機械学習（iML）サイクルを用いる。
• ウェブアプリケーションによりケアプロバイダーが患者データの監視と管理が可能であり、Telegramボットにより、日常の準拠状況をシンプルに会話形式で報告できる。
• ユーザー行動データは集約され分析され、食事の見直し、有害物質の避けること、リラクゼーション技術などのパーソナライズされた推奨事項が生成される。
• 臨床的および使いやすさの整合性を確保するため、ユーザーの初期評価とUXデザイナーとの共同で、フォーマティブなユーザー研究を実施する。
• 今後の統合を想定し、ゲーム化機能やソーシャルネットワーク機能をサポートするアーキテクチャを備えている。

実験結果

リサーチクエスチョン

• RQ1 インタラクティブ機械学習をどのように効果的にモバイルヘルスシステムに統合し、パーソナライズされた生活習慣介入を支援できるか？
• RQ2 人間をループに含めたフィードバックは、行動分類モデルの正確性と関連性を向上させる上で果たす役割は何か？
• RQ3 Telegramのようなメッセージングプラットフォームを用いることで、長期的な健康行動プログラムにおけるユーザーの行動継続性と参加度にどのような影響を与えるか？
• RQ4 iMLモデルが、ユーザーが報告した行動データおよび観察された行動データに基づき、ユーザーの行動パフォーマンス（アクティブ、ニュートラル、パスイブ）をどの程度正確に分類できるか？
• RQ5 スケーラブルでユーザー中心のモバイルヘルス介入を開発するにあたり、どのような設計的および臨床的配慮が必要か？

主な発見

• iMLモデルは、パフォーマンスデータに基づき、ユーザーを「アクティブ」「ニュートラル」「パスイブ」に分類できることを示し、パーソナライズされたフィードバックの実現可能性を裏付けた。
• Telegramボットの統合により、ユーザーインターフェースの負荷が著しく低下し、毎日の継続的報告の可能性が高まった。
• ケアプロバイダーのフィードバックとユーザー行動データの統合により、行動分類モデルの正確性と臨床的関連性が向上した。
• 予備的な結果では、iMLと会話型インターフェースの組み合わせが、健康計画へのユーザー参加度と行動継続性を向上させた。
• 臨床的およびUXフィードバックに基づいたシステム設計により、現実のケア提供ニーズと整合性を保った。
• 今後の作業では、実際のユーザーを対象としたモデルの妥当性検証および、長期的な参加維持のためのゲーム化およびソーシャル機能の統合を進める。