利用机器学习开发用户在数字糖尿病预防计划中的数字参与表型:评估研究研究

科学领域:

• 数字健康数字健康
• 机器学习 机器学习
• 预防糖尿病 预防糖尿病

背景情况:

• 数字糖尿病预防计划 (dDPP) 是有前途的,但却面临着很高的消耗率.
• 个性化自动消息系统 (PAMS) 旨在通过增强的患者-提供者沟通来改善dDPP的参与.
• 优化PAMS需要了解用户偏好,并通过数据分析预测参与.

研究的目的:

• 评估机器学习 (ML) 以开发dDPP用户的数字参与表型.
• 评估ML在预测参与dDPP活动中的准确性.
• 通过结合参与预测和数字表型,为PAMS个性化提供信息.

主要方法:

• 利用梯度增强森林模型预测参与dDPP活动 (体育活动,课程,社交,权衡) 和一般活动.
• 使用AUC-ROC,AUC-PR和Brier分数等指标来评估模型性能.
• 使用Shapley值来确定特征的重要性,以及用于用户配置文件的隐性配置分析.

主要成果:

• 开发了两种ML模型 (每周和每日数据),预测准确度超过90%.
• 每日模型对于通过预测日常活动变化来创建"数字表型"至关重要.
• 根据2周的参与数据,确定了6个用户配置文件 (高参与度,最小参与度,流失).

结论:

• 机器学习方法可以有效地为数字处方量身定制和优化消息干预.
• 初步结果支持使用ML来增强患者参与和遵守dDPPs.
• 这种方法可以扩展到优化现有平台和其他临床领域.