[论文解读] Adherence to Personal Health Devices: A Case Study in Diabetes Management

Sudip Vhaduri, Temiloluwa Prioleau|arXiv (Cornell University)|May 30, 2020

Mobile Health and mHealth Applications参考文献 33被引用 4

一句话总结

本研究基于44名糖尿病患者连续60至270天的连续血糖监测（CGM）数据，采用数据挖掘方法探究依从性影响因素。研究发现，较长的数据空白期——尤其是处于异常血糖范围时——可预测较差的临床结局，其中33%的数据空白发生在血糖控制不佳期间，且最长的数据空白出现在极低/极高血糖状态，尤其在血糖控制不佳的患者中更为显著。

ABSTRACT

Personal health devices can enable continuous monitoring of health parameters. However, the benefit of these devices is often directly related to the frequency of use. Therefore, adherence to personal health devices is critical. This paper takes a data mining approach to study continuous glucose monitor use in diabetes management. We evaluate two independent datasets from a total of 44 subjects for 60 - 270 days. Our results show that: 1) missed target goals (i.e. suboptimal outcomes) is a factor that is associated with wearing behavior of personal health devices, and 2) longer duration of non-adherence, identified through missing data or data gaps, is significantly associated with poorer outcomes. More specifically, we found that up to 33% of data gaps occurred when users were in abnormal blood glucose categories. The longest data gaps occurred in the most severe (i.e. very low / very high) glucose categories. Additionally, subjects with poorly-controlled diabetes had longer average data gap duration than subjects with well-controlled diabetes. This work contributes to the literature on the design of context-aware systems that can leverage data-driven approaches to understand factors that influence non-wearing behavior. The results can also support targeted interventions to improve health outcomes.

研究动机与目标

• 探究患者在达到血糖目标方面的表现如何影响糖尿病管理中连续血糖监测仪（CGM）的使用行为。
• 考察数据空白（CGM数据缺失）与血糖控制结局之间的关系。
• 识别非依从性模式是否与糖尿病控制状态（良好控制 vs. 控制不佳）相关。
• 为设计上下文感知、数据驱动的系统提供依据，以改善慢性病管理中的依从性与健康结局。
• 通过识别与血糖管理不佳相关的特定行为模式，支持针对性干预措施。

提出的方法

• 收集并分析了44名糖尿病患者在两个独立数据集中持续60至270天的CGM数据。
• 将数据空白定义为血糖读数缺失或不完整的时段，假设其代表非依从行为。
• 根据美国糖尿病协会（ADA）的血糖目标标准，将血糖水平划分为正常、目标和异常（包括极低和极高）三类。
• 计算各血糖类别下的平均数据空白持续时间，并在良好控制与控制不佳的糖尿病群体之间进行比较。
• 使用统计分析评估数据空白持续时间与血糖水平严重程度之间关联的显著性。
• 采用数据驱动方法，将依从性行为（通过数据空白衡量）与临床结局（血糖控制）关联起来。

实验结果

研究问题

• RQ1 在多大程度上，患者在实现目标血糖水平方面的表现会影响连续血糖监测仪的佩戴行为？
• RQ2 不同血糖水平类别（正常、目标、异常、极低/极高）的数据空白持续时间有何差异？
• RQ3 良好控制与控制不佳糖尿病患者之间的平均数据空白持续时间是否存在显著差异？
• RQ4 数据空白是否在血糖管理不佳期间更为普遍，特别是在极端血糖范围内？
• RQ5 对缺失数据事件的数据驱动分析能否为开发上下文感知的干预措施提供依据，以提升依从性与健康结局？

主要发现

• 约33%的数据空白发生在用户处于异常血糖类别期间，表明在血糖控制不佳时出现非依从行为。
• 最长的数据空白出现在最严重的血糖类别——极低和极高血糖状态，表明用户在关键健康状态下会暂停使用CGM。
• 与良好控制的患者相比，控制不佳的患者具有显著更长的平均数据空白持续时间。
• 当用户与目标血糖水平偏离最远时，数据空白更频繁且持续时间更长，凸显了在血糖控制不佳期间非依从性的反馈循环。
• 本研究证实，CGM依从性强烈受血糖控制表现的影响，尤其在极端血糖事件期间非依从性最为明显。
• 这些发现支持开发上下文感知系统，通过实时检测数据空白和血糖趋势，识别并响应非依从性模式。