[论文解读] An attention model to analyse the risk of agitation and urinary tract infections in people with dementia

Honglin Li, Roonak Rezvani+6 more|arXiv (Cornell University)|Jan 18, 2021

Machine Learning in Healthcare参考文献 36被引用 4

一句话总结

本研究提出一种结合注意力机制与合理化机制的深度学习模型，用于分析居家传感器数据，以实现对痴呆患者激越与尿路感染（UTIs）的早期检测。该模型处理时间序列数据以识别关键模式，实现91%的召回率与83%的精确率，并通过突出显示相关的时间步与特征，为临床决策提供可解释的预测结果。

ABSTRACT

Behavioural symptoms and urinary tract infections (UTI) are among the most common problems faced by people with dementia. One of the key challenges in the management of these conditions is early detection and timely intervention in order to reduce distress and avoid unplanned hospital admissions. Using in-home sensing technologies and machine learning models for sensor data integration and analysis provides opportunities to detect and predict clinically significant events and changes in health status. We have developed an integrated platform to collect in-home sensor data and performed an observational study to apply machine learning models for agitation and UTI risk analysis. We collected a large dataset from 88 participants with a mean age of 82 and a standard deviation of 6.5 (47 females and 41 males) to evaluate a new deep learning model that utilises attention and rational mechanism. The proposed solution can process a large volume of data over a period of time and extract significant patterns in a time-series data (i.e. attention) and use the extracted features and patterns to train risk analysis models (i.e. rational). The proposed model can explain the predictions by indicating which time-steps and features are used in a long series of time-series data. The model provides a recall of 91\% and precision of 83\% in detecting the risk of agitation and UTIs. This model can be used for early detection of conditions such as UTIs and managing of neuropsychiatric symptoms such as agitation in association with initial treatment and early intervention approaches. In our study we have developed a set of clinical pathways for early interventions using the alerts generated by the proposed model and a clinical monitoring team has been set up to use the platform and respond to the alerts according to the created intervention plans.

研究动机与目标

• 为应对痴呆患者激越与尿路感染（UTIs）早期检测的挑战，二者均为导致住院与痛苦的主要原因。
• 克服传统机器学习模型在处理来自居家监测的嘈杂、高维时间序列传感器数据方面的局限性。
• 开发一种不仅提升预测准确率，还能为临床决策提供可解释性说明的模型。
• 将模型整合至实际临床路径中，并由监测团队配合，实现及时、以个体为中心的干预措施。
• 通过基于传感器数据自动触发的警报，实现早期、针对性的临床响应，从而减少非计划性住院。

提出的方法

• 该模型采用双架构框架：注意力机制用于过滤并优先处理长期传感器数据中的信息性时间步；合理化模块则通过识别关键特征与时间片段，解释预测结果。
• 注意力机制在时间维度上动态加权输入特征，聚焦于临床相关模式，如活动变化或异常运动模式。
• 合理化模块通过突出显示对预测贡献最大的传感器输入与时间区间，生成可解释的说明，增强临床信任与透明度。
• 模型采用焦点损失（focal loss）以解决临床数据集中类别不平衡问题，提升对罕见但关键事件（如UTIs与严重激越）的性能表现。
• 系统整合来自多种居家传感器（如运动传感器、门磁传感器、环境条件传感器）的数据，全面呈现日常行为与健康状态。
• 预测结果用于在临床监测路径中触发警报，由受过培训的工作人员验证症状，并启动非药物或药物干预措施。

实验结果

研究问题

• RQ1 基于注意力机制的深度学习模型能否有效利用居家传感器数据，检测痴呆患者激越与UTIs的早期征兆？
• RQ2 与传统机器学习模型相比，注意力与合理化机制的结合在提升预测性能与可解释性方面有何优势？
• RQ3 该模型的解释能力在多大程度上可支持真实照护环境中的临床决策与及时干预？
• RQ4 该模型在处理类别不平衡的临床数据集方面表现如何，特别是针对罕见但关键事件（如UTIs）？
• RQ5 该模型的警报对减少社区居住型痴呆人群的住院率及改善照护结果有何影响？

主要发现

• 所提出的模型在利用居家传感器数据检测激越与UTIs风险方面，实现了91%的召回率与83%的精确率。
• 注意力机制成功过滤了冗余与噪声数据，聚焦于长期时间序列数据中具有临床意义的时间步与特征。
• 合理化模块通过识别具体贡献预测的传感器输入与时间模式，提供了可解释的说明，增强了临床信任度。
• 采用焦点损失显著提升了模型在类别不平衡数据集上的表现，尤其在UTIs等罕见事件上效果突出。
• 该模型成功集成至临床路径中，警报触发了及时响应，包括居家随访与全科医生转诊，降低了治疗延迟风险。
• 该系统展现出通过实现早期、以个体为中心的干预措施，减少非计划性住院的潜力，从而在症状恶化前进行有效干预。