卡塔尔世界杯8强波胆分析

摘要

背景:

NA

摘要目的:

移动健康研究中越来越多地使用活动追踪器来被动收集身体数据，这在解决患者依从性问题方面显示出了希望。本研究的目标是开发机器学习模型，利用来自类风湿性关节炎(RA)患者队列的Fitbit数据对患者报告的结果(PRO)评分进行分类。

方法:

建立了两种不同的模型对PRO评分进行分类;随机森林(RF)分类器模型在对PRO得分进行每周预测时，独立处理每周的观察结果，而隐马尔可夫模型(HMM)还考虑了连续几周之间的相关性。分析比较了以下模型评价指标:1)区分正常PRO分数和严重PRO分数的二元任务，2)对给定一周的PRO分数状态进行分类的多类任务。

结果:

在二元和多类任务中，HMM在大多数PRO得分上显著优于RF (p < 0.05)，最高AUC、Pearson相关系数和Cohen Kappa系数分别为0.751、0.458和0.450。

结论:

虽然这一主题还需要进一步的研究来验证我们在现实环境中使用的结果和发现，但这项研究证明了身体活动跟踪器数据能够对风湿性关节炎患者的健康状态进行分类，并实现了根据需要安排预防性临床干预的可能性。如果能够实时监测患者的预后，就有可能改善对其他慢性疾病患者的临床护理。临床试验:NA