Digital health-Interventionen: die Vorhersage individueller Erfolg mit machine learning

Gesundheits-apps könnten besser sein, zugeschnitten auf die individuellen Bedürfnisse der Patienten. Ein neues statistisches Verfahren aus dem Bereich des maschinellen Lernens macht es heute möglich, vorherzusagen, den Erfolg der smartphone-basierten Interventionen genauer. Dies sind die Ergebnisse einer internationalen Forschergruppe von der Universität Basel und berichtet in der Journal of Affective Disorders.

Gesundheits-apps sind zunehmend im Kontext von physischen und psychischen Erkrankungen. In der Regel, Sie ersetzen nicht die traditionellen Behandlungen, sondern fungieren als eine adds-auf—beispielsweise, um die Stimmung zu verbessern in Fällen von depression. Smartphone-basierte Interventionen sind von besonderer Bedeutung in niedrigen oder mittleren Einkommen-Ländern, in denen die traditionellen Therapieoptionen sind nicht immer oder nur teilweise zur Verfügung steht.

Vorhersage Verbesserung in der Stimmung

Allerdings ist die Wirkung von diesen apps variiert von Individuum zu Individuum. Und sogar in der gleichen person, die Interventionen haben zu einem stärkeren oder schwächeren Auswirkungen je nach situation. Eine Forschungsgruppe der Fakultät für Psychologie an der Universität Basel, unter der Leitung von Professor Marion Tegethoff und Professor Gunther Meinlschmidt, untersucht, wie die Auswirkungen der smartphone-basierten Interventionen präziser vorauszusagen. Zu diesem Zweck werden Sie verwendet Daten von 324 smartphone-basierte Interventionen, die darauf abzielen, um die Stimmung zu regulieren.

Sie verwendeten ein statistisches Verfahren aus dem Bereich maschinelles lernen, eine bestimmte form von „random forest“ – Methode. Diese Klassifizierung Methode kann verwendet werden, um die Verarbeitung von großen Datenmengen. Die Stärke dieses Verfahrens ist, dass es den Forschern ermöglicht, bieten die Entscheidungsbäume relevante und Theorie-driven information, wie müde oder unruhig ein Thema ist. Das „lernen im Wald“ vereint diese Merkmale mit einander auf verschiedene Arten und können für Vorhersagen, spiegeln die Komplexität des realen Lebens besser als die der traditionellen Vorhersage-Methoden.

Halbierung der Anzahl der erfolglosen verwendet

Im Fall beschrieben, sind etwa sechs von 10 Interventionen ergab keine Stimmung Verbesserungen. In den Interventionen vorhergesagt, um erfolgreich zu sein mit der Maschine lernen, mit dieser Zahl jedoch nur um drei in der 10. Damit, mit dieser neuen Technik, die Anzahl der erfolglosen verwendet werden könnte um die Hälfte gekürzt.