[論文レビュー] Health State Estimation

Nitish Nag|arXiv (Cornell University)|Mar 16, 2020

Health, Environment, Cognitive Aging参考文献 179被引用数 5

ひとこと要約

本論文は、GPS、ウェアラブルセンサー、ソーシャルメディア、検索トレンドを含む多様なデータソースを統合することで、継続的かつ個別化された健康状態の評価と支援を可能にするナビゲーション型でマルチモーダルな健康状態推定フレームワークを提案する。クロスモーダル学習とコンテキストに配慮したモデリングを活用することで、リアルタイムかつパーソナライズドな健康アドバイスを実現し、学際的でマルチメディアおよびヘルスインフォーマティクスの手法により、予防的・予防的医療の前進を図る。

ABSTRACT

Life's most valuable asset is health. Continuously understanding the state of our health and modeling how it evolves is essential if we wish to improve it. Given the opportunity that people live with more data about their life today than any other time in history, the challenge rests in interweaving this data with the growing body of knowledge to compute and model the health state of an individual continually. This dissertation presents an approach to build a personal model and dynamically estimate the health state of an individual by fusing multi-modal data and domain knowledge. The system is stitched together from four essential abstraction elements: 1. the events in our life, 2. the layers of our biological systems (from molecular to an organism), 3. the functional utilities that arise from biological underpinnings, and 4. how we interact with these utilities in the reality of daily life. Connecting these four elements via graph network blocks forms the backbone by which we instantiate a digital twin of an individual. Edges and nodes in this graph structure are then regularly updated with learning techniques as data is continuously digested. Experiments demonstrate the use of dense and heterogeneous real-world data from a variety of personal and environmental sensors to monitor individual cardiovascular health state. State estimation and individual modeling is the fundamental basis to depart from disease-oriented approaches to a total health continuum paradigm. Precision in predicting health requires understanding state trajectory. By encasing this estimation within a navigational approach, a systematic guidance framework can plan actions to transition a current state towards a desired one. This work concludes by presenting this framework of combining the health state and personal graph model to perpetually plan and assist us in living life towards our goals.

研究の動機と目的

• 異種のデータソースからのリアルタイムデータを活用して、継続的かつパーソナライズドな健康状態の監視が不足している現状に対処し、健康状態をリアルタイムで推定するシステムを構築すること。
• 従来の医療モデルが反応的治療に焦点を当てているのに対し、予防的・予防的ケアに重点を置くことの制限を克服すること。
• マルチメディアおよびパーソベイシブコンピューティング技術を統合し、健康向上のためのナビゲーション的パラダイムを構築すること。
• 内在的および外在的動機付けのモデリングを通じて、行動パターンと組み合わせ、実行可能なコンテキストに配慮した健康アドバイスを提供すること。
• FHIR などの標準とセキュアなデータ取扱いの実践を通じて、健康システムにおける相互運用性とデータプライバシーを強化すること。

提案手法

• GPS、ウェアラブルセンサー、ソーシャルメディア、検索エンジントレンドからのデータを統合するためのクロスモーダル学習を採用し、包括的な健康状態推定を実現する。
• 自転車のGPSログや健康記録などの多様なソースからの地理的および時間的データを同期化・整列させるためのイベント検索および同期化技術を活用する。
• ユーザーに対して、リアルタイムの健康状態評価に基づく実行可能なパーソナライズドなガイダンスを提供するナビゲーション型健康インターフェースを実装する。
• 健康推奨事項の関連性と遵守度を向上させるために、内在的および外在的動機付けのモデリングを活用し、マルチモーダルレコメンデーションシステムを強化する。
• FHIR 標準とセキュアなデータ交換プロトコルを活用し、健康情報システムにおける相互運用性とプライバシーを確保する。
• ディープラーニングおよびコンテキストに配慮したモデリングを活用し、移動パターン、食事嗜好、検索行動などの間接的信号から健康状態を推定する。

実験結果

リサーチクエスチョン

• RQ1 GPS、ソーシャルメディア、センサー ネットワークからの異種でリアルタイムのデータを用いて、健康状態を継続的に推定する方法は何か？
• RQ2 内在的および外在的動機付けは、効果的でパーソナライズドな健康アドバイスを形成する上で果たす役割は何か？
• RQ3 クロスモーダルデータ統合は、単一ソースの監視を上回る精度と信頼性を向上させ、健康状態推定をどのように改善するか？
• RQ4 ナビゲーション型健康インターフェースは、ユーザーの関与度と長期的な健康結果をどのように向上させるか？
• RQ5 複数のソースからの感受性の高い個人の健康データを集約するシステムにおいて、プライバシー、セキュリティ、相互運用性をどのように確保できるか？

主な発見

• 本フレームワークは、GPSで追跡された自転車利用行動と環境的・行動的データを統合し、路面状態の推定と健康に影響する移動パターンの同定に成功した。
• ソーシャルメディア、検索トレンド、センサー データを用いたクロスモーダル健康状態推定により、全国レベルでの乾性ドライアイ疾患の地理的マップ作成が可能になった。
• 内在的および外在的動機付けの両方をモデリングすることで、システムはパーソナライズド性を向上させ、健康アドバイスの関連性と遵守度を高めた。
• 複数のデバイスおよびプラットフォーム間での地理的および時間的データの同期化により、高いコンテキストの正確性を保ちながらリアルタイムの健康監視とイベント検索が可能になった。
• FHIR 標準の採用により相互運用性が向上し、多様な電子的健康記録システム間でのシームレスなデータ交換が可能になった。
• 本研究は、反応的治療から継続的かつ予防的健康管理へのシフトを図るナビゲーション型健康パラダイムの基盤を確立した。