[论文解读] Anticipatory Mobile Digital Health: Towards Personalised Proactive Therapies and Prevention Strategies

Veljko Pejović, Abhinav Mehrotra+1 more|arXiv (Cornell University)|Aug 15, 2015

Mobile Health and mHealth Applications参考文献 25被引用 7

一句话总结

本文提出了一种前瞻性移动数字健康——一种基于移动设备和可穿戴传感器、机器学习及实时情境感知的个性化、主动式医疗保健范式，旨在预测并预防健康问题的发生。通过整合个体的行为、生理和遗传数据，该框架能够实现及时、定制化的干预，借助持续、无感的监测与预测建模，推动精准医疗的发展。

ABSTRACT

The last two centuries saw groundbreaking advances in the field of healthcare: from the invention of the vaccine to organ transplant, and eradication of numerous deadly diseases. Yet, these breakthroughs have only illuminated the role that individual traits and behaviours play in the health state of a person. Continuous patient monitoring and individually-tailored therapies can help in early detection and efficient tackling of health issues. However, even the most developed nations cannot afford proactive personalised healthcare at scale. Mobile computing devices, nowadays equipped with an array of sensors, high-performance computing power, and carried by their owners at all time, promise to revolutionise modern healthcare. These devices can enable continuous patient monitoring, and, with the help of machine learning, can build predictive models of patient's health and behaviour. Finally, through their close integration with a user's lifestyle mobiles can be used to deliver personalised proactive therapies. In this article, we develop the concept of anticipatory mobile-based healthcare - anticipatory mobile digital health - and examine the opportunities and challenges associated with its practical realisation.

研究动机与目标

• 开发一种利用移动和可穿戴传感器实现主动、个性化医疗保健的框架，以在健康风险显现之前进行预测。
• 通过利用无处不在的移动设备，解决当前主动医疗保健模型在可扩展性和成本方面的障碍。
• 通过持续监测和个体健康状态的预测建模，实现在早期阶段的检测与干预。
• 探索将遗传数据和行为模式整合到预测模型中，以提升个性化程度。
• 研究在部署自主、前瞻性健康系统时面临的伦理、隐私及人机交互挑战。

提出的方法

• 利用移动和可穿戴传感器（例如：GPS、加速度计、心率、皮肤电反应）收集实时生理和行为数据。
• 采用机器学习模型，基于历史和实时传感器数据及用户情境，预测未来的健康状态。
• 应用预测建模评估干预措施对个体用户的影响，实现个性化治疗方案的优化。
• 结合用户情境（例如：位置、活动、参与度）以确定干预措施的最佳投放时机。
• 开发用户可中断性模型，通过在合适时机发送信息，最大限度减少干扰并提高干预效果。
• 考虑在设备端进行数据处理，以增强隐私保护并降低敏感健康信息泄露的风险。

实验结果

研究问题

• RQ1 如何利用移动和可穿戴传感器，以高精度预测个体未来的健康状态？
• RQ2 哪些机器学习技术能够在个性化情境下有效预测健康结果及干预措施的影响？
• RQ3 如何基于实时用户情境，最优地安排干预时机，以最大化依从性和有效性？
• RQ4 在部署自主、预测性健康系统时，面临哪些伦理和责任归属挑战？
• RQ5 如何将遗传数据和行为模式整合到预测模型中，以提升个性化程度和治疗效果？

主要发现

• 配备多样化传感器的移动和可穿戴设备能够实现对与健康状况相关的生理和行为指标的持续、无感监测。
• 基于传感器数据训练的机器学习模型能够以日益提高的精度预测未来的健康状态，包括心理健康问题和身体疾病。
• 通过情境感知传感技术，可以构建用户可中断性的预测模型，从而改善数字健康干预措施的时机和效果。
• 伦理挑战，包括隐私风险和责任链条不明确，是部署前瞻性健康系统的主要障碍。
• 将遗传数据和行为模式整合到预测模型中，有望揭示新的治疗见解并提升个性化水平。
• 前瞻性移动数字健康具有通过实现早期、个性化预防策略，降低医疗成本并改善健康结果的潜力。