[논문 리뷰] Towards Automatic & Personalised Mobile Health Interventions: An Interactive Machine Learning Perspective

Ahmed Fadhil|arXiv (Cornell University)|2018. 03. 03.

Data Stream Mining Techniques참고 문헌 14인용 수 3

한 줄 요약

이 논문은 간호사 피드백, 사용자 활동 데이터, 그리고 텔레그램 기반 사용자 보고를 통합함으로써 개인화된 자동화된 생활습관 간입을 가능하게 하는 상호작용 기반 기계학습(iML) 기반 모바일 헬스 시스템인 CoachMe를 제안한다. 시스템은 감독 기반 iML을 사용해 사용자를 활동적, 중립, 수동으로 분류하며, 인간이 참여하는 개인화 및 대화형 인터페이스를 통해 순응도를 향상시키는 유망한 접근법을 보여준다.

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.

연구 동기 및 목표

• 임상적 환경을 초월한 생활습관 촉진을 위한 자동화되고 개인화된 모바일 헬스 시스템을 개발하기 위해.
• 유저 중심의 피드백을 통한 적응형 피드백으로 행동 변화 유지에 도전하기 위해.
• 더 높은 임상적 관련성과 사용자 참여도를 향상시키기 위해 기계학습에 인간이 참여하는 상호작용을 통합하기 위해.
• 환자 보고 및 간입 제공을 위한 저마찰 인터페이스로 텔레그램 봇을 사용할 수 있는지의 타당성을 평가하기 위해.
• iML이 사용자 활동 성과를 분류해 개인화된 간입 권고를 이끌어내는 방법을 탐색하기 위해.

제안 방법

• 시스템은 사용자 프로필, 활동 성과, 간호사 피드백를 기반으로 훈련된 감독 기반 기계학습 분류기를 사용해 사용자를 활동적, 중립, 수동으로 분류한다.
• 실시간 사용자 및 간호사 입력을 바탕으로 모델을 반복적으로 개선하기 위해 상호작용 기반 기계학습(iML) 사이클을 활용한다.
• 웹 애플리케이션은 간호사가 환자 데이터를 모니터링하고 관리할 수 있도록 지원하며, 텔레그램 봇은 간단하고 대화형 방식의 일일 순응도 보고를 가능하게 한다.
• 사용자 활동 데이터는 집계되고 분석되어, 식이 변화, 유해 물질 회피, 이완 기법 등을 포함한 개인화된 권고를 생성한다.
• 임상적 및 사용성 적합성을 확보하기 위해 간호사 및 UX 디자이너와의 형성적 사용자 연구를 통합한다.
• 게임화 및 소셜 네트워크 기능의 향후 통합을 지원하기 위해 아키텍처를 설계한다.

실험 결과

연구 질문

• RQ1 어떻게 상호작용 기반 기계학습을 효과적으로 모바일 헬스 시스템에 통합하여 개인화된 생활습관 간입을 지원할 수 있는가?
• RQ2 인간이 참여하는 피드백은 행동 분류 모델의 정확도와 관련성 향상에 어떤 역할을 하는가?
• RQ3 텔레그램과 같은 메시징 플랫폼을 사용할 경우 장기적인 건강 행동 프로그램에서 사용자 순응도와 참여도에 어떤 영향을 미치는가?
• RQ4 iML 모델이 사용자 보고 및 관찰된 행동 데이터를 기반으로 사용자 활동 성과(활동적, 중립, 수동)를 얼마나 정확하게 분류할 수 있는가?
• RQ5 확장 가능하고 사용자 중심적인 모바일 헬스 간입을 개발하기 위해 필수적인 설계 및 임상적 고려사항은 무엇인가?

주요 결과

• iML 모델은 성과 데이터를 기반으로 사용자를 활동적, 중립, 수동으로 분류하는 데 성공하여 개인화된 피드백의 타당성을 입증한다.
• 텔레그램 봇의 통합은 사용자 인터페이스의 마찰을 크게 줄여 매일 일관된 보고의 가능성 증가에 기여한다.
• 간호사 피드백과 사용자 활동 데이터의 조합은 행동 분류의 정확도와 임상적 관련성을 향상시킨다.
• 초기 결과로 iML과 대화형 인터페이스의 조합이 사용자 참여도와 건강 계획 순응도를 향상시킨다.
• 임상적 및 UX 피드백에 기반한 시스템 설계는 실제 임상 간입 요구사항과의 일치를 보장한다.
• 향후 연구는 실제 사용자를 대상으로 모델 검증과 게임화 및 소셜 기능 통합을 통해 장기적 참여 유지에 초점을 맞출 것이다.