Jove
Visualize
Contáctanos
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Videos de Conceptos Relacionados

Randomized Experiments01:13

Randomized Experiments

7.2K
The randomization process involves assigning study participants randomly to experimental or control groups based on their probability of being equally assigned. Randomization is meant to eliminate selection bias and balance known and unknown confounding factors so that the control group is similar to the treatment group as much as possible. A computer program and a random number generator can be used to assign participants to groups in a way that minimizes bias.
Simple randomization
Simple...
7.2K
Mechanistic Models: Compartment Models in Individual and Population Analysis01:23

Mechanistic Models: Compartment Models in Individual and Population Analysis

85
Mechanistic models are utilized in individual analysis using single-source data, but imperfections arise due to data collection errors, preventing perfect prediction of observed data. The mathematical equation involves known values (Xi), observed concentrations (Ci), measurement errors (εi), model parameters (ϕj), and the related function (ƒi) for i number of values. Different least-squares metrics quantify differences between predicted and observed values. The ordinary least...
85

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Impact of Analytical Decisions on Physical Activity Outcomes in a Cardiovascular Mobile Health Study.

Journal of the American Heart Association·2026
Same author

Exercise Training in High-Risk Populations: A Scientific Statement From the American Heart Association.

Circulation·2026
Same author

Wearable Data Economy: Implications of the FDA's 2026 General Wellness Policy.

Circulation. Population health and outcomes·2026
Same author

Practical considerations when designing an online learning algorithm for an app-based mHealth intervention.

Contemporary clinical trials·2026
Same author

Prioritizing Time from Diagnosis to Quadruple Therapy in Heart Failure Care.

JAMA cardiology·2026
Same author

Measuring the Pulse of Virtual Care in Heart Failure: Are We Conserving Resources or Sacrificing Quality?

Circulation. Population health and outcomes·2026

Video Experimental Relacionado

Updated: Sep 9, 2025

Methodology for Establishing a Community-Wide Life Laboratory for Capturing Unobtrusive and Continuous Remote Activity and Health Data
11:21

Methodology for Establishing a Community-Wide Life Laboratory for Capturing Unobtrusive and Continuous Remote Activity and Health Data

Published on: July 27, 2018

8.3K

Un robusto algoritmo de efectos mixtos para evaluar las intervenciones de salud móviles

Easton K Huch1, Jieru Shi2, Madeline R Abbott2

  • 1Department of Statistics, University of Michigan, Ann Arbor, MI 48109, USA.

Advances in neural information processing systems
|September 2, 2025
PubMed
Resumen

Presentamos un nuevo algoritmo de salud móvil, DML-TS-NNR, para mejorar las intervenciones personalizadas. Este robusto enfoque de bandido contextual mejora el rendimiento al abordar la variabilidad de los participantes y las complejas estructuras de recompensa.

Más Videos Relacionados

Setup of Consumer Wearable Devices for Exposure and Health Monitoring in Population Studies
15:00

Setup of Consumer Wearable Devices for Exposure and Health Monitoring in Population Studies

Published on: February 3, 2023

2.6K
Author Spotlight: Developing a Point-of-Care Hemoglobin Estimation Method for Anemia Management
05:35

Author Spotlight: Developing a Point-of-Care Hemoglobin Estimation Method for Anemia Management

Published on: January 19, 2024

914

Videos de Experimentos Relacionados

Last Updated: Sep 9, 2025

Methodology for Establishing a Community-Wide Life Laboratory for Capturing Unobtrusive and Continuous Remote Activity and Health Data
11:21

Methodology for Establishing a Community-Wide Life Laboratory for Capturing Unobtrusive and Continuous Remote Activity and Health Data

Published on: July 27, 2018

8.3K
Setup of Consumer Wearable Devices for Exposure and Health Monitoring in Population Studies
15:00

Setup of Consumer Wearable Devices for Exposure and Health Monitoring in Population Studies

Published on: February 3, 2023

2.6K
Author Spotlight: Developing a Point-of-Care Hemoglobin Estimation Method for Anemia Management
05:35

Author Spotlight: Developing a Point-of-Care Hemoglobin Estimation Method for Anemia Management

Published on: January 19, 2024

914

Área de la Ciencia:

  • Ciencias de la computación
  • Aprendizaje automático
  • Informática de la salud

Sus antecedentes:

  • La salud móvil (mHealth) utiliza intervenciones personalizadas optimizadas por bandidos y aprendizaje por refuerzo.
  • Los desafíos en mHealth incluyen la heterogeneidad de los participantes, la no estacionalidad y las recompensas no lineales, que limitan la eficacia del algoritmo.

Objetivo del estudio:

  • Proponer un algoritmo robusto de bandido contextual, DML-TS-NNR, diseñado para superar los desafíos clave en la optimización de la intervención de salud móvil.
  • Mejorar el rendimiento de las intervenciones personalizadas y adaptadas al contexto en las aplicaciones móviles de salud.

Principales métodos:

  • El algoritmo DML-TS-NNR modela las recompensas diferenciales utilizando parámetros específicos del usuario y del tiempo.
  • Incorpora sanciones de cohesión de la red y aprendizaje automático basado en datos para una estimación flexible de la recompensa de referencia.
  • Se establece un arrepentimiento de alta probabilidad, dependiendo de la dimensión del modelo de recompensa diferencial.

Principales resultados:

  • El algoritmo alcanza límites de arrepentimiento robustos, incluso con estructuras de recompensa de línea de base complejas.
  • El rendimiento superior de DML-TS-NNR se demostró a través de simulaciones.
  • La eficacia del algoritmo se validó aún más en dos estudios de evaluación fuera de la política.

Conclusiones:

  • DML-TS-NNR ofrece una solución robusta para optimizar las intervenciones de mHealth al manejar efectivamente la heterogeneidad de los participantes y las dinámicas de recompensa complejas.
  • El método propuesto proporciona un marco flexible y potente para el avance de estrategias de salud móvil personalizadas.
  • El rendimiento del algoritmo destaca su potencial para la aplicación en el mundo real en sistemas de salud móvil adaptativos.