评估机器学习以使用可穿戴传感器数据和患者报告的症状来检测流感:队列研究
Kamran Farooq1, Melody Lim2, Lawrence Dennison-Hall3
1Roche Data & Analytics Chapter (Data Science), Kaiseraugst, Switzerland.
Journal of medical Internet research
|October 4, 2024
概括
机器学习模型在使用可穿戴传感器数据和自我报告的症状检测流感时显示出中度的准确性. 未来可穿戴技术的进步可能会提高病毒性呼吸道感染的早期检测.
科学领域:
- 数字健康数字健康
- 机器学习在医学中的应用
- 可穿戴技术可穿戴技术
背景情况:
- 机器学习 (ML) 分析可穿戴设备数据以进行定量模式识别.
- ML具有检测疾病发病和监测类似流感疾病 (ILI) 的潜力.
研究的目的:
- 评估ML算法区分流感阳性和阴性患者的能力.
- 在ILI早期阶段利用可穿戴传感器 (活动) 和自我报告的症状数据.
主要方法:
- 使用极端梯度增强 (XGBoost) 分类器进行前性观察队列研究.
- 在FluStudy2020和Home Testing of Respiratory Illness (HTRI) 研究的数据上训练和测试模型.
- 使用AUC,平衡精度,精度和回忆等指标评估模型性能.
主要成果:
- 综合症状和活动数据产生了表现最高的模型 (验证AUC=0.74).
- 在独立测试组上的模型性能显示了组合和仅症状数据的可比结果.
- 检测流感的关键特征包括咳,静止心率,发烧和喉疼痛.
结论:
- ML算法在使用商业级传感器检测流感时表现出中等准确度.
- 研究结果表明,将研究级传感器结果转化为现实世界的应用具有挑战性.
- 未来的可穿戴传感器可能为早期病毒性呼吸道感染检测提供更好的性能.
