[논문 리뷰] Personalized advice for enhancing well-being using automated impulse response analysis --- AIRA

Frank J. Blaauw, Lian van der Krieke외 3명|arXiv (Cornell University)|2017. 06. 15.

Mental Health Research Topics참고 문헌 31인용 수 10

한 줄 요약

이 논문은 생태학적 순간 평가 연구에서 시간적 시계열 데이터를 분석하여 개인화된 정서적 웰빙 조언을 생성하는 알고리즘인 AIRA (자동화된 인풋 응답 분석)를 소개한다. 벡터 자기회귀(VAR) 모델을 사용하여 인풋 응답을 시뮬레이션하고 넷 효과 값(Net Effect Value)을 계산함으로써, 웰빙에 가장 큰 영향을 미치는 변수를 식별하고 그 변화가 필요한 정도를 정량화한다. 이를 통해 저비용의 계산으로도 자동화된 개인 맞춤형 자기관리 지원이 가능해진다.

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.

연구 동기 및 목표

• 복잡한 개인 수준의 시간적 시계열 정신 건강 데이터를 실천 가능한 개인 맞춤형 자기관리 조언으로 번역하는 데 도전한다.
• 벡터 자기회귀(VAR) 모델의 분석을 자동화하여 집중적 종단적 데이터에서 의미 있고 해석 가능한 통찰을 도출한다.
• 심리적 변수의 양의 및 음의 지연 효과를 반영하는 동시에 확장 가능하고 저비용인 개인 맞춤형 추천을 생성하는 방법을 개발한다.
• 효율적인 브라우저 기반 구현을 통해 eHealth 및 mHealth 플랫폼에서 개인 맞춤 정신 건강 피드백의 실용적 구현을 가능하게 한다.
• 변수의 상충되는 지연 효과를 하나의 넷 효과 값으로 요약하여 의사결정 지원을 위한 체계적인 방법을 제공한다.

제안 방법

• AIRA는 생태학적 순간 평가(EMA) 연구에서 수집한 개인 수준의 시간적 시계열 데이터에 대해 벡터 자기회귀(VAR) 모델을 적합한다.
• 모든 변수에 대한 시간에 따른 동적 영향을 시뮬레이션하기 위해 인풋 응답 함수(IRF)를 계산한다.
• 정해진 시간 범위 동안 IRF 궤적을 집계하여 넷 효과 값(net effect value)을 계산함으로써, 총 영향력이 순수익인지 순손실인지 판단한다.
• 부트스트래핑을 적용하여 넷 효과 값의 안정성과 유의성을 평가함으로써 신뢰도를 향상시킨다.
• IRF 시뮬레이션 기반으로, 웰빙에 원하는 변화를 이루기 위해 목표 변수에서 필요한 백분율 변화를 계산한다.
• AIRA는 R과 자바스크립트로 구현되어 웹 기반 eHealth 플랫폼에서 실시간 피드백을 제공할 수 있도록 구현된다.

실험 결과

연구 질문

• RQ1 집중적 종단적 연구에서 수집한 개인 수준의 시간적 시계열 데이터는 어떻게 실천 가능한 개인 맞춤형 정서적 웰빙 조언으로 변환될 수 있는가?
• RQ2 변수가 정서적 웰빙에 상충되는 양의 및 음의 지연 효과를 가질 경우, 그 영향의 총합(net effect)은 어떻게 평가할 수 있는가?
• RQ3 자동화된 인풋 응답 분석은 정신 건강 분야의 자기관리를 위한 신뢰성 있고 해석 가능하며 확장 가능한 추천을 생성할 수 있는가?
• RQ4 AIRA의 출력 결과는 이전의 수작업 또는 군집 기반 분석 결과와 비교해 일관성과 임상적 관련성 측면에서 어떻게 다른가?
• RQ5 실제 eHealth 응용 프로그램에 이러한 시스템을 구현하는 데 있어 계산 가능성은 어떠한가?

주요 결과

• AIRA는 상충되는 지연 효과를 하나의 해석 가능한 지표로 요약하는 넷 효과 값을 성공적으로 계산하여, 변수의 총 영향력이 유익한지 유해한지 판단할 수 있다.
• 알고리즘은 시뮬레이션된 인풋 응답 기반으로, 웰빙에 원하는 변화를 이루기 위해 변수의 필요 변화 백분율을 특정하는 개인 맞춤형 추천을 생성한다.
• 성능 평가 결과, 6개 변수를 가진 VAR 모델과 20단계의 시간 범위를 가진 경우 현대 노트북에서 1초 이내로 조언 계산이 가능하여 뛰어난 확장성을 보였다.
• 작은 두 개의 데이터 세트(N=4 및 N=5)에 대한 AIRA 결과는 이전에 발표된 연구 결과와 유사하여 분석 일관성을 검증하였다.
• 이 방법은 지연 효과의 혼합된 영향을 효과적으로 처리하여, 변수의 총 영향력이 순수익인지 순손실인지에 대한 모호함을 해소한다.
• R과 자바스크립트로 구현된 점을 통해 웹 및 모바일 환경에서의 배포가 가능하여 eHealth 플랫폼에서 실시간 상호작용 피드백을 지원한다.