使用机器学习减少慢性病患者的治疗负担:观点

简介

COVID-19大流行引发了我们卫生保健系统中的多重担忧，包括慢性病患者普遍存在的高感染风险，以及从业者只能对急性疾病提供专门的应对措施[1］．这些反过来又使慢性病患者在治疗中经历分散、不协调和有限的支持[2]，这加重了患者所经历的治疗负担，因为他们遇到对其持续医疗护理的支持减少[3.］．增加的治疗负担可增加疾病相关倦怠的风险，倦怠是一种慢性情绪状态，包括情绪衰竭、身体疲劳和认知疲劳等症状，通常是由于长期遭受医疗救助而导致精力耗尽的结果[4］．被认为是各种慢性疾病框架中最有效的[5]、长期护理模式[6，7]阐述了包括医生在内的卫生保健团队如何通过将护理重点转向协调的自我管理和决策支持，更好地支持慢性病患者[8-10］．

电子卫生支持个人的自我保健，促进卫生保健系统内的互动和协作，从而加强了CCM的价值。电子卫生技术是在生态系统中的利益相关者之间架起桥梁的连接要素[11］．电子健康增强慢性护理模型(eCCM)，由Gee等人于2015年开发[12]，是一个框架，它将电子健康文献纳入CCM组件，并促进理解诸如移动健康(mHealth)应用程序、机器学习(ML)、电子社区、电子健康记录和电子健康教育等电子健康工具如何促进在数字空间中实施CCM(例如，通过启用自我跟踪健康数据、增强参与共享决策的能力、支持预约准备、并通过可视化数据和提醒实现个性化决策支持)。因此，已经提出了各种技术来改进CCM不同组件的功能。

在建议的技术中，ML提供了提供更容易获得、公平、个性化和成本效益高的慢性护理计划的新机会。ML可以通过提供自我管理和决策干预来指导和支持慢性病患者，从而帮助减轻治疗负担和倦怠风险。这种指导和支持可以直接提供，也可以通过移动应用程序提供;它也可以提供给教练或护理提供者，以便在与患有慢性疾病的人一起工作时考虑。

在这里，我们介绍了一个新兴的ML模型，称为“结果模型”，作为eCCM框架的一个例子，它集成了行为和数据科学原理，以减少治疗负担和与慢性疾病相关的倦怠。结果模型将个人的健康结果提前几个月与当前的生活方式和生物特征标记相关联，并可用于帮助确定哪种生活方式活动(例如，保持睡眠习惯或增加日常体育活动)在特定时间内最有可能对个人有益。它不仅可以帮助人们做出有意义的生活方式决定，还可以通过自我监测和对健康行为和结果的反馈来增强他们的动力，以完成改善与慢性疾病相关的自我管理所必需的活动。

机器学习在一瞬间

One Drop是一款被动和主动收集数据的移动应用程序(被动地从Apple Watch和FitBit等可穿戴设备收集数据，主动地从用户输入的信息直接收集到移动应用程序中)。它为想要预防和管理糖尿病和心脏病等慢性疾病的人提供ML健康趋势预测、量身定制的教育内容和个性化的健康指导服务。下载应用程序后，会员主动授权仅将数据用于应用程序改进和应用程序内使用的ML模型的研究和开发。

One Drop收集的数据涵盖195个国家，在撰写本文时，数据包含超过300亿个数据点。以下是其中一些类别及其组成部分:

1. 生物识别数据:心率、血压、皮肤温度和血糖浓度。
2. 行为数据:身体活动，睡眠，食物和用餐时间，药物和药物使用的一致性，地理位置移动。
3. 结果数据:实验室测量，如糖化血红蛋白型A1c (HbA1c)和胆固醇水平，以及自我报告的指标，如体重、体重指数和腰围。
4. 用户粘性数据:应用使用情况、与教练的互动、教育资源的使用、与同伴支持网络的互动、应用通知的回复率等。

信息以多种节奏收集;一些可穿戴数据是被动收集的，而另一些则是由人手动记录设置的。应用程序功能需要特定于医疗状况的子抽样策略。更频繁的数据输入支持更准确的结果预测。

目前，基于这些数据训练的ML算法使用上述输入(如生物识别、行为、结果和参与度)提前1-6个月预测健康结果，如体重、平均血糖浓度(HbA1c)、范围内时间或血压。来自5万多名应用程序用户样本的One Drop数据被用于训练一套正在申请专利的监督学习模型，每个模型用于不同的健康指标(体重、血压或血糖)和时间范围(1-2个月、2-3个月、3-4个月或4-6个月)。2019年之前收集的数据被用于训练算法;使用2019年1月至2020年2月的数据进行测试。测试集预测比naïve(基准)预测“没有变化”准确10%-40%。这项工作的进一步细节已于先前介绍[13，14]，而模型开发仍在进行中。对于目前的讨论，我们将其作为一个例子，部分基于行为输入的信息生物特征预测今天已经存在。然而，这样的预测本身并不能改善结果，也不能减轻治疗负担。只有与行为支持框架相结合，才能实现这些好处。接下来我们描述这样的组合，我们称之为结果模型。

结果模型

对于患有慢性病的人，与卫生保健提供者的医疗预约可能每季度或每两年进行一次。拥有一个像结果模型这样的系统可以在医疗访问之间提供生活方式支持，同时让慢性病患者预测他们的习惯是如何影响他们的整体健康的。到目前为止，还没有针对慢性病患者的电子健康产品将多个ML模型的组合集成到(1)预测未来6个月的结果;(2)提供洞察哪些生活方式行为改变可能最显著地影响一个人的预期临床结果;(3)使用各种数据输入(如生物识别、行为、结果和参与)来支持慢性病患者的行为改变和减轻治疗负担。

我们正在探索的假设是如何使用能够预测结果可能变化的ML模型，以减少eCCM内的治疗负担。一种潜在的方法是使用预测模型来确定哪些生活方式的改变最有可能对预期的临床结果(如体重、糖化血红蛋白、血压和时间范围)产生最大的改善。基于各种以健康结果为重点的干预措施的预测，可以选择当前最佳的生活方式改变重点。然后可以启动人工和自动化干预的结合，以建议调整个人行为。在评估建议效果的初始试验期之后，可以使用最新信息重新计算指导，重点可能会保持或切换到新的、目前最优的选择上。如果由于任何原因，推荐的重点对患有慢性疾病的人来说都不实际，那么可以选择下一个最有效的模式。通过这种方式，该系统可以支持慢性病患者通过量身定制的干预措施朝着更好的健康结果迈进，这些干预措施可以适应每个人，随着时间的推移而发展，并根据其对个人健康的预期影响提供信息。

如上所述开发的预测性指导可以通过数字方式直接提供给慢性病患者，这可以支持医疗保健专业人员提供的计算指导。这种预测性指导可以帮助慢性病患者从卫生保健专业人员那里寻求额外的帮助，从而减轻治疗负担。来自预测指导的信息可以更广泛地用于医疗保健网络决策支持系统的一部分。处方者将被要求评估潜在的医疗干预措施，如药物剂量的变化。数字健康教练、营养师或其他主题专家可以改善生活方式的改变，比如改变身体活动或碳水化合物的摄入量。这些教练通常更容易在诊所就诊之间预约，使用他们的服务可以通过增加患者自我护理的参与度和为医疗保健提供者提供额外的患者健康见解来减轻医疗保健系统的负担。

讨论

基于机器学习的生活方式改变

向慢性病管理部门提供有关个人的计算预测的一般想法正受到越来越多的关注。Schwartz等人[15]根据日常健康的许多方面的量化的上升，回顾各种当前的发展。他们认为在数字健康的发展中，重要的特征之一是干预措施的优先级，从这个角度来看，他们审查了诸如生态瞬间干预等概念，“评估人的(数字双胞胎)状态，模型在需要时提供必要的干预措施，甚至可能是先发制人。”最近，Chevance等人[16]详细阐述了使用预测来支持行为改变的新兴应用，例如预测吸烟或步行行为。他们讨论的一个方面是持续调整干预措施，“包括实时优化算法，[基于这种预测]可以进一步调整干预措施的内容或交付方面以满足特定个人的需求。”尽管引起了越来越多的关注，但我们同意Chevance等人的评估，即“计算模型和相关的计算机模拟在行为改变领域仍相对未得到充分利用。”

这些论文中讨论了一系列广泛的观点，我们广泛地支持所有这些观点。我们在这里描述的方法正好处于这些想法之中。Schwartz等人[15]描述了告知数字表型的算法的作用，他们的数字表型不一定能预测未来的状态。Chevance等[16，但他们的例子集中在通过行为预测调整的行为干预上。我们在这里的目的是特别提倡将生物特征预测放在指导行为干预的中心角色。这一立场相当于一种假设，即慢性疾病患者治疗负担的主要因素是不确定性。考虑到我的历史和环境，一种特定的行为改变会成功地改善我的状况吗?我现在所做的工作真的会在以后产生影响吗?我们相信，这些个人问题的明确答案，随着个人行为、慢性疾病和环境的演变而更新，可以大幅减少治疗负担。我们进一步认为，预测候选行为干预对每个特定个体的生物特征效应是获得这些答案最有希望的方法。

在这里，我们描述了一种策略，其中生物特征预测模型用于选择最有可能(在给定时刻)改善个人预测的生活方式干预措施，并将其作为告知干预措施的基础。我们承认，这一战略不是一项简单的工作。患有慢性疾病的人通常没有权利一次只改变一种行为。相反，他们必须专注于同时进行多种改变(如饮食、体育活动和药物治疗)。1型糖尿病为这个问题提供了一个很好的例子。如果1型糖尿病患者决定进行更多的体育锻炼，他们必须同时改变碳水化合物的摄入量，并调整胰岛素与碳水化合物的比例。在这种情况下，一个建议的ML模型方法是观察移动应用程序用户的人口与行为变化的典型相关性;下一步是将相关因素应用于过去30天个人观察到的行为的假设变化，并检查是否有任何导致预测结果的变化。可以肯定的是，从许多记录的行为相互关联和重叠的数据中学习更加困难，需要仔细的统计评估由此产生的预测变化是否有显著差异。在这种情况下，结果和推荐的行为可能不那么具体，更复杂——如果目标是通过提出更明确、更有可能成功的建议来减少治疗负担和倦怠，那么就不太理想。 Nonetheless, whether choosing a single behavior change or a combination, knowing which choice is forecasted to result in greater improvement for a given individual could inform both guidance and goal setting for that individual. Such a result would not constitute proof or a guaranteed outcome. However, the vast data reservoir on which the ML model is trained offers the possibility of learning which interventions have led to greater improvements among people in similar circumstances to the individual in question.

在认识到这些挑战的同时，我们认为，如果不及时减少对每个个体的行为干预有效性的不确定性，减轻治疗负担就不能超过有限的阈值。在我们看来，将生物特征预测与eCCM等行为科学框架相结合是减少这种不确定性的最佳策略。无论是通过如上所述的结果模型等预测指导系统，还是通过其他形式，对行为干预的调整都必须通过对哪些调整最有可能成功的个性化预测来进行。如此知情的调整对于可持续的慢性疾病预防、管理和减轻治疗负担是必要的。

结论

在已建立的行为改变框架的背景下，基于ml的生物特征预测提供了令人兴奋的潜力，以支持和减少治疗负担，并减轻慢性疾病患者的倦怠风险。慢性护理管理需要持续关注，这就需要深入使用支持性工具。诸如结果模型之类的电子医疗解决方案可能会打破定义传统非数字化医疗的界限。这样的创新应该能够支持数字医疗从被动的慢性病护理向主动的慢性病护理发展。