[논문 리뷰] A generative, predictive model for menstrual cycle lengths that accounts for potential self-tracking artifacts in mobile health data

Kathy Li, Iñigo Urteaga외 4명|arXiv (Cornell University)|2021. 02. 24.

Menstrual Health and Disorders참고 문헌 47인용 수 6

한 줄 요약

이 논문은 모바일 헬스(mHealth) 데이터에서 사용자가 보고한 트래킹 아티팩트—특히 주기 건너뛰기—를 명시적으로 고려하는 계층적이고 생성적 확률 모델을 제안한다. 주기 길이와 건너뛰기 행동을 함께 모델링함으로써, 186,000명의 사용자로부터 확보한 200만 개 이상의 주기 데이터에서 최신 기술 수준의 예측 정확도를 달성하였으며, 신경망 및 요약 통계 기반 베이스라인을 능가한다. 또한 주기 진행 중에 실시간으로 해석 가능한 업데이트가 가능하다.

ABSTRACT

Mobile health (mHealth) apps such as menstrual trackers provide a rich source of self-tracked health observations that can be leveraged for health-relevant research. However, such data streams have questionable reliability since they hinge on user adherence to the app. Therefore, it is crucial for researchers to separate true behavior from self-tracking artifacts. By taking a machine learning approach to modeling self-tracked cycle lengths, we can both make more informed predictions and learn the underlying structure of the observed data. In this work, we propose and evaluate a hierarchical, generative model for predicting next cycle length based on previously-tracked cycle lengths that accounts explicitly for the possibility of users skipping tracking their period. Our model offers several advantages: 1) accounting explicitly for self-tracking artifacts yields better prediction accuracy as likelihood of skipping increases; 2) because it is a generative model, predictions can be updated online as a given cycle evolves, and we can gain interpretable insight into how these predictions change over time; and 3) its hierarchical nature enables modeling of an individual's cycle length history while incorporating population-level information. Our experiments using mHealth cycle length data encompassing over 186,000 menstruators with over 2 million natural menstrual cycles show that our method yields state-of-the-art performance against neural network-based and summary statistic-based baselines, while providing insights on disentangling menstrual patterns from self-tracking artifacts. This work can benefit users, mHealth app developers, and researchers in better understanding cycle patterns and user adherence.

연구 동기 및 목표

• 불일치하는 사용자 트래킹, 특히 주기 건너뛰기로 인한 신뢰할 수 없는 mHealth 데이터 문제를 해결하기 위해.
• 모바일 헬스 데이터에서 진정한 생리주 패턴과 자기 트래킹 아티팩트를 구분할 수 있는 예측 모델을 개발하기 위해.
• 주기 진행 중 실시간으로 온라인 예측 업데이트를 가능하게 하여 현재 일자 정보를 통합하기 위해.
• 계층적 베이지안 프레임워크를 통해 개인의 주기 역사를 인구 수준의 사전 확률과 통합하기 위해.
• 예측 정확도 향상과 사용자 행동 및 주기 규칙성에 대한 해석 가능한 통찰을 제공하기 위해.

제안 방법

• 모델는 개인의 이전 트래킹 데이터를 기반으로 주기 길이와 건너뛰기 확률을 함께 추정하기 위해 계층적 베이지안 생성 프레임워크를 사용한다.
• 현재 주기 일수와 학습된 하이퍼파rameter에 조건화된 다음 주기 길이에 대한 사후 예측 분포를 계산한다.
• 가능한 건너뛰기 상태에 대해 $ p(d^{*} | \hat{u}, d_i, d^{*} > d_{\text{current}}) $ 를 통합함으로써 불확실성 인식 예측이 가능하다.
• 현재 주기 일수에 조건화함으로써 예측을 동적으로 업데이트할 수 있도록 온라인 업데이트를 가능하게 한다.
• 주기 길이와 건너뛰기 행동을 각각 정규분포와 베르누이분포의 혼합으로 표현한다.
• 하이퍼파rameter는 인구 수준 데이터에서 학습되어, 이식 학습을 가능하게 하고 개인 간 일반화 능력을 향상시킨다.

실험 결과

연구 질문

• RQ1 사용자 주기 건너뛰기를 고려함으로써 mHealth 데이터에서 생리주 길이 예측 정확도는 어떻게 향상되는가?
• RQ2 실세계 mHealth 주기 데이터에서 신경망 또는 요약 통계 기반 베이스라인보다 생성 모델이 더 뛰어난 예측 성능을 낼 수 있는가?
• RQ3 일일 예측 업데이트를 통해 실시간으로 진행되는 예측은 예측의 해석 가능성과 신뢰성에 어느 정도 기여하는가?
• RQ4 모델의 계층적 구조는 제한된 개인 데이터를 바탕으로 한 개인 맞춤화를 어떻게 향상시키며, 동시에 안정성을 유지하는가?
• RQ5 주기 길이 예측 정확도와 사용자 트래킹 아티팩트(예: 건너뛰기) 확률 간의 관계는 어떠한가?

주요 결과

• 제안된 모델은 동일한 데이터셋에서 신경망 기반 모델(예: CNN, RNN, LSTM)과 요약 통계 기반 베이스라인(평균, 중앙값)을 모두 뛰어넘는 최신 기술 수준의 예측 정확도를 달성한다.
• 건너뛰기 행동을 고려함으로써, 특히 건너뛰기 빈도가 높은 사용자에서 예측 정확도가 향상되어 모델이 자기 트래킹 아티팩트에 대해 뛰어난 강건성을 보임을 입증한다.
• 주기 진행 중 실시간으로 동적으로 업데이트되는 예측 업데이트를 가능하게 하여, 변화하는 동적이고 해석 가능한 예측을 제공한다.
• 계층적 구조 덕분에 개인의 역사 데이터를 효과적으로 활용하면서도 인구 수준의 사전 확률을 통합함으로써, 데이터가 적은 사용자에 대해서도 성능 향상을 이룬다.
• 예측 정확도 향상과 다양한 사용자 하위군에서의 일관된 성능을 통해, 모델이 진정한 주기 길이 패턴과 트래킹 아티팩트를 성공적으로 분리함을 입증한다.
• RMSE, MAE, 중앙값 CLD 지표를 사용한 평가 결과, 모델은 베이스라인 대비 높은 정확도를 유지하면서 주기 규칙성을 더 효과적으로 포착함을 확인하였다.