采用机器学习方法在健康中的数字表型化:范围审查
Schenelle Dayna Dlima1, Santosh Shevade1, Sonia Rebecca Menezes1
1Saathealth, Mumbai, India.
JMIR bioinformatics and biotechnology
|June 27, 2024
概括
数字表型利用个人设备收集健康数据. 这篇评论绘制了研究的地图,发现大多数研究都使用用于精神和神经障碍的可穿戴数据,并呼吁进行更大,多样化和伦理的未来研究.
科学领域:
- 数字健康数字健康
- 计算精神病学是一种计算精神病学.
- 行为信息学 行为信息学
背景情况:
- 数字表型包括在自然环境中从个人设备收集实时数据.
- 现有研究表明临床应用,数据类型,收集方法,分析和结果的异质性.
研究的目的:
- 进行范围审查,绘制关于数字表型的已发表研究.
- 概述研究特征,数据收集和分析方法,机器学习方法和未来的影响.
主要方法:
- 对2020-2022年在PubMed和Google Scholar上发表的研究进行了系统的文献搜索.
- 在文学选,数据提取和绘制图表方面遵循了PRISMA-ScR指南.
- 包括的研究分析了来源,设计,临床重点,数据类型,收集模式,分析和限制.
主要成果:
- 包括46项研究,其中大多数研究来自北美,重点是可穿戴数据.
- 观察性研究是最常见的,主要研究精神病,心理健康和神经系统疾病.
- 在7项研究中使用了机器学习,随机森林,后勤回归和支持向量机器是普遍存在的.
结论:
- 该综述提供了对医疗保健中的数字表型的基础和面向应用的见解.
- 未来的研究应该优先考虑前性,纵向研究,涉及多种人群和更大的数据集.
- 解决隐私问题,道德问题以及开发个性化的数字健康干预措施是关键的下一步.
关键词:
活动数据是活跃的数据.数字健康数字健康数字化表型化是指数字化表型化.机器学习是机器学习.移动应用程序移动应用程序被动数据是被动数据.个人设备数据 个人设备数据穿戴式设备是一种可穿戴的设备.可穿戴式传感器传感器更多相关视频
08:51Author Spotlight: Integrated Multi-Omics Analysis for Unveiling Multicellular Immune Signatures in Clinical Heart Attack Cohorts
Published on: September 20, 2024
1.2K
06:48Author Spotlight: Advancements in 3D Optical Imaging for Comprehensive Body Composition Assessment in Modern Research
Published on: June 7, 2024
1.2K
