描述用户参与mHealth的慢性疾病自我管理以及对机器学习性能的影响

科学领域:

• 数字健康数字健康
• 医疗保健中的机器学习
• 慢性疾病管理 慢性疾病管理

背景情况:

• 移动健康 (mHealth) 为慢性病管理提供了变革性的潜力.
• 机器学习可以利用应用程序收集的数据进行健康风险预测和干预.
• 平衡用户负担和预测准确性对于移动健康的有效性至关重要.

研究的目的:

• 调查用户与myCOPD应用程序的互动如何影响预测恶化的机器学习模型性能.
• 了解用户参与模式及其与预测准确性的关系.
• 确定优化移动健康参与和数据质量的策略.

主要方法:

• 从myCOPD应用程序中分析用户参与数据.
• 用户参与模式的分类 (频繁,过渡).
• 来自用户访谈和焦点小组的定性数据.

主要成果:

• 对于经常参与的用户,机器学习模型的性能更高.
• 不太频繁的用户显示过渡性参与,在恶化之前增加.
• 基于感知状况变化的参与,而不是严格的症状,产生了预测数据和减少了脱离.

结论:

• 用户参与是影响mHealth机器学习模型预测性能的关键因素.
• 根据用户感知的条件变化量身定制参与提示,可以提高数据实用性和用户保留率.
• 优化移动健康战略需要平衡数据收集负担与预测模型需求.