[论文解读] Predicting Clinical Deterioration of Outpatients Using Multimodal Data Collected by Wearables

Dingwen Li, Jay Vaidya+5 more|arXiv (Cornell University)|Mar 12, 2018

Blood Pressure and Hypertension Studies参考文献 34被引用 3

一句话总结

本研究提出了一种基于多模态可穿戴设备数据（步数、心率、睡眠）的机器学习框架，利用Fitbit Charge HR手环监测心力衰竭门诊患者的临床恶化情况——定义为再入院或死亡。该系统实现了88%的患者依从性，数据产量高（80%的步数数据），且加权单类SVM模型在早期恶化预测中达到96.35%的准确率，显著优于LACE指数。

ABSTRACT

Hospital readmission rate is high for heart failure patients. Early detection of deterioration will help doctors prevent readmissions, thus reducing health care cost and providing patients with just-in-time intervention. Wearable devices (e.g., wristbands and smart watches) provide a convenient technology for continuous outpatient monitoring. In the paper, we explore the feasibility of monitoring outpatients using Fitbit Charge HR wristbands and the potential of machine learning models to predicting clinical deterioration (readmissions and death) among outpatients discharged from the hospital. We developed and piloted a data collection system in a clinical study which involved 25 heart failure patients recently discharged from a hospital. The results from the clinical study demonstrated the feasibility of continuously monitoring outpatients using wristbands. We observed high levels of patient compliance in wearing the wristbands regularly and satisfactory yield, latency and reliability of data collection from the wristbands to a cloud-based database. Finally, we explored a set of machine learning models to predict deterioration based on the Fitbit data. Through 5-fold cross validation, K nearest neighbor achieved the highest accuracy of 0.8800 for identifying patients at risk of deterioration using the health data from the beginning of the monitoring. Machine learning models based on multimodal data (step, sleep and heart rate) significantly outperformed the traditional clinical approach based on LACE index. Moreover, our proposed weighted samples one class SVM model can reach high accuracy (0.9635) for predicting the deterioration happening in the future using data collected by a sliding window, which indicates the potential for allowing timely intervention.

研究动机与目标

• 评估使用可穿戴设备在心力衰竭患者中进行持续门诊监测的可行性。
• 评估通过Fitbit手环收集多模态健康数据（步数、心率、睡眠）的数据产量、可靠性及患者依从性。
• 开发并评估基于可穿戴传感器数据预测临床恶化（再入院或死亡）的机器学习模型。
• 比较使用多模态数据的机器学习模型与传统LACE指数在预测性能上的差异。
• 探究利用纵向可穿戴数据最早可在何时预测临床恶化。

提出的方法

• 部署基于云的数据采集系统，被动收集Fitbit Charge HR手环的每分钟步数、心率及睡眠时长/质量数据。
• 开展一项临床研究，纳入25名近期从医院出院的心力衰竭患者，以评估可穿戴监测在真实世界环境中的可行性。
• 采用5折交叉验证评估多种机器学习模型，包括K近邻（KNN）、单类SVM和随机森林，使用多模态传感器特征。
• 采用滑动窗口方法，基于逐渐增加的数据长度（5天、10天、15天、20天窗口）训练模型，以评估早期预测能力。
• 实施加权样本单类SVM，以提高对罕见事件（恶化）的预测性能，优化高敏感性和特异性。
• 在模型评估中将敏感性固定在约0.95，以优先实现对高风险患者的早期检测。

实验结果

研究问题

• RQ1 Fitbit Charge HR等可穿戴设备能否在真实世界的门诊环境中可靠地收集心力衰竭门诊患者的多模态健康数据（步数、心率、睡眠）？
• RQ2 心力衰竭患者出院后长期可穿戴监测中的患者依从性和数据可靠性如何？
• RQ3 基于多模态可穿戴数据训练的机器学习模型能否比标准LACE指数更准确地预测临床恶化（再入院或死亡）？
• RQ4 仅使用前几日的可穿戴数据，临床恶化最早可在何时被预测？
• RQ5 哪些传感器模态组合（步数、心率、睡眠）在预测临床恶化方面表现最佳？

主要发现

• 88%的患者定期佩戴Fitbit Charge HR手环，表明门诊监测中患者依从性较高。
• 系统从84%的参与者中收集到80%的每分钟步数数据，表明活动追踪的数据产量很高。
• 心率数据的中位断点仅为4分钟，表明尽管数据产量低于步数数据，但数据可靠性仍可接受。
• 当使用步数、心率和睡眠数据组合进行风险预测时，K近邻（KNN）模型达到最高准确率0.8800。
• 加权样本单类SVM模型在使用滑动窗口数据预测未来恶化时达到96.35%的准确率，表明其在早期预警方面具有强大潜力。
• 使用多模态数据（步数、心率、睡眠）的模型显著优于仅使用单一模态的模型以及传统LACE指数，最佳模型在所有特征组合时达到86.67%的准确率。