日本語タイトル#
パーソナライズされた反事実フレームワーク：ウェアラブルデータから潜在的な結果を生成する
英文タイトル#
Personalized Counterfactual Framework: Generating Potential Outcomes from Wearable Data
日本語要約#
ウェアラブルセンサーのデータは、パーソナライズされた健康モニタリングの機会を提供しますが、その複雑で長期的なデータストリームから実行可能な洞察を導き出すことは困難です。本論文では、多変量ウェアラブルデータからパーソナライズされた反事実モデルを学習するためのフレームワークを紹介します。これにより、ライフスタイルの選択における潜在的な個別の結果を理解するための仮定シナリオを探ることができます。私たちのアプローチは、まず多モーダル類似性分析を通じて、個々のデータセットを類似の患者のデータで強化します。次に、時間 t-1 の変数が時間 t の生理的変化にどのように影響するかをモデル化するために、時間 PC（Peter-Clark）アルゴリズムの適応版を使用して予測関係を発見します。これらの発見された関係に基づいて勾配ブースティングマシンを訓練し、個別の影響を定量化します。これらのモデルは、仮定の介入（例：活動や睡眠の変化）の下で生理的軌跡を予測する反事実エンジンを駆動します。私たちは、1 ステップ先の予測検証を通じてフレームワークを評価し、介入の妥当性と影響を評価します。評価は、合理的な予測精度（例：平均心拍数 MAE 4.71 bpm）と高い反事実の妥当性（中央値 0.9643）を示しました。重要なことに、これらの介入は仮定のライフスタイルの変化に対する個人間の顕著な変動を強調し、このフレームワークのパーソナライズされた洞察の可能性を示しています。この研究は、パーソナライズされた健康のダイナミクスを探求し、ライフスタイルの変化に対する個々の反応に関する仮説を生成するためのツールを提供します。
英文摘要#
Wearable sensor data offer opportunities for personalized health monitoring, yet deriving actionable insights from their complex, longitudinal data streams is challenging. This paper introduces a framework to learn personalized counterfactual models from multivariate wearable data. This enables exploring what-if scenarios to understand potential individual-specific outcomes of lifestyle choices. Our approach first augments individual datasets with data from similar patients via multi-modal similarity analysis. We then use a temporal PC (Peter-Clark) algorithm adaptation to discover predictive relationships, modeling how variables at time t-1 influence physiological changes at time t. Gradient Boosting Machines are trained on these discovered relationships to quantify individual-specific effects. These models drive a counterfactual engine projecting physiological trajectories under hypothetical interventions (e.g., activity or sleep changes). We evaluate the framework via one-step-ahead predictive validation and by assessing the plausibility and impact of interventions. Evaluation showed reasonable predictive accuracy (e.g., mean heart rate MAE 4.71 bpm) and high counterfactual plausibility (median 0.9643). Crucially, these interventions highlighted significant inter-individual variability in response to hypothetical lifestyle changes, showing the framework's potential for personalized insights. This work provides a tool to explore personalized health dynamics and generate hypotheses on individual responses to lifestyle changes.
文章ページ#
パーソナライズされた反事実フレームワーク：ウェアラブルデータから潜在的な結果を生成する
PDF 获取#
QR コードをスキャンして、さらに素晴らしいコンテンツを確認