通过环境被动监测数据和基于机器学习的预测来增强喘自我管理

科学领域:

• * 呼吸系统医学 呼吸系统医学
• * 数据科学数据科学
• * 环境健康 环境健康

背景情况:

• * 预防喘发作依赖于及时监测.
• * 机器学习与环境数据的整合为监控提供了新的可能性.
• * 传统的积极监测对患者来说可能是负担.

研究的目的:

• * 通过被动与主动监测来比较机器学习模型对喘恶化预测的性能.
• * 评估不同环境触发因素的不同患者组的模型疗效.
• * 评估短期喘发作预测的预测性稳定性.

主要方法:

• *对包括22名严重喘患者在内的AAMOS-00数据集的分析.
• * 使用XGBoost机器学习算法进行预测建模.
• *比较了被动监测 (环境数据) 和主动监测 (患者报告的数据) 模型.
• *根据患者对环境触发因素的敏感性进行分层分析.

主要成果:

• *对于环境触发的患者,被动和主动监测显示了相似的性能 (AUC 0.83与0.89).
• *对于非环境触发患者,主动监测显著超过了被动监测 (AUC 0.83与0.52).
• *预测模型表现出强度,预测喘发作提前5-7天,数据为5-28天.

结论:

• *通过机器学习增强的被动监测显示出预测环境敏感个体喘恶化的前景.
• * 积极监测对于未被环境因素触发的患者至关重要.
• * 短期喘发作预测是可行的使用有限的历史监测数据.