监督机器学习从生态瞬间评估和传感器数据预测吸烟失误:适应性干预 Just-in-time开发的含义

科学领域:

• 数字健康数字健康
• 机器学习在行为科学中的应用
• 戒烟干预措施 戒烟干预措施

背景情况:

• 吸烟失误往往在完全复发之前,需要及时干预.
• 准时适应性干预 (JITAI) 提供了一种有前途的方法,可以主动地针对漏洞.
• 开发有效的JITAI需要了解失效触发因素,并预测失效发生率.

研究的目的:

• 训练和测试监督机器学习算法,用于预测吸烟失误.
• 用生态瞬间评估 (EMA) 和可穿戴传感器数据评估算法的可行性和性能.
• 确定最优的算法,以告知决策点和定制变量的一个失误预防JITAI.

主要方法:

• 试图戒烟的成年吸烟者每小时完成一次EMA,评估10天内的渴望,情绪,背景和失禁发生率.
• 参与者戴着Fitbit Charge 4来收集有关步骤和心率的被动数据.
• 训练和测试了带有和没有传感器数据的组级,个人级和混合机器学习算法.

主要成果:

• 集团级算法实现了高预测性能 (AUC高达0.952与传感器数据),但显示了可变的个人性能.
• 个人级别和混合算法,虽然可以为更少的参与者构建,但表现出更好的性能,特别是传感器数据 (中位数AUC高达0.983).
• 传感器数据集成显著提高了算法的预测准确性,特别是在个人级别模型中.

结论:

• 机器学习算法,特别是在结合可穿戴传感器数据时,可以有效地预测吸烟失误.
• 个性化和混合算法显示了个性化JITAI的潜力,尽管对一些用户而言存在可行性限制.
• 需要进一步开发以平衡JITAI的算法性能,可行性和实施标准.