通过避免重复的病人报告来最大化移动健康监测的价值:预测抑郁相关症状和自动健康评估服务中的依从性问题gydF4y2Ba

介绍gydF4y2Ba

临床医生和卫生保健支付者越来越多地将交互式语音应答(IVR)等移动卫生服务视为监测面对面接触之间患者状态和识别需要关注的个体以预防急性事件的工具[gydF4y2Ba1gydF4y2Ba-gydF4y2Ba3.gydF4y2Ba]。多项研究表明，即使在心理健康和药物滥用等敏感话题上，IVR监测也能产生可操作和可靠的临床信息[gydF4y2Ba4gydF4y2Ba-gydF4y2Ba11gydF4y2Ba]。此外，患者愿意在较长时间内完成常规的IVR评估，即使受到慢性病、年龄、贫困、低文化水平和精神问题的挑战[gydF4y2Ba12gydF4y2Ba，gydF4y2Ba13gydF4y2Ba]。gydF4y2Ba

虽然IVR在增加主动护理管理的信息库方面具有巨大的潜力，但自动监控服务的设计可能会产生负面影响，在决定每个评估呼叫的频率和内容时应仔细考虑。研究表明，患者可能厌倦了频繁的IVR评估[gydF4y2Ba12gydF4y2Ba-gydF4y2Ba15gydF4y2Ba]，特别是如果他们被反复询问有关健康或自我保健问题的信息，而这些问题没有改变。与此同时，许多患者有大量与多种慢性疾病相关的健康问题[gydF4y2Ba16gydF4y2Ba，gydF4y2Ba17gydF4y2Ba]。对于这类患者，目前的替代方案包括大幅增加每次评估的长度，增加评估电话的频率，关注更广泛的问题，但每个问题的深度较低，或者只关注交叉问题，如药物依从性或身体活动。这些策略中的每一种都为维持患者参与或临床决策的信息质量带来了新的挑战。与其他类型的病人接触一样[gydF4y2Ba18gydF4y2Ba-gydF4y2Ba21gydF4y2Ba]， IVR监控的时间和内容几乎总是基于专家意见和静态流程图。因此，这些系统还没有充分发挥其潜力，作为一种经济有效地增加患者访问间监测和自我保健支持的战略。gydF4y2Ba

虽然频繁(例如，每周或每天)的IVR评估呼叫可能需要检测重要健康指标的波动，但如果患者的IVR评估报告可以根据他或她在先前呼叫中提供的信息进行预测，该怎么办?例如，如果患者在之前的多次IVR评估中一直报告完美的药物依从性，那么他们今天报告不同情况的概率是多少?数据挖掘是一套分析技术，旨在从数据中提取潜在信息，以便对未来做出预测[gydF4y2Ba22gydF4y2Ba，gydF4y2Ba23gydF4y2Ba]。在IVR的背景下，数据挖掘可以帮助识别患者的答案非常稳定，以至于不值得再问同样的问题，或者当患者的状态发生变化时，表明需要进行更深入的探查。利用这些模式的信息，可以开发自适应移动健康监测程序，自动调整评估的频率和内容，以便为指导患者咨询和临床随访提供最有用的信息。gydF4y2Ba

我们使用了一种数据挖掘方法来检查208名抑郁症诊断患者的1050个IVR评估数据。所有患者定期接受IVR呼叫，在此期间，他们完成患者健康问卷(PHQ-9) [gydF4y2Ba24gydF4y2Ba，gydF4y2Ba25gydF4y2Ba]，这是一种广泛使用并经过验证的抑郁症评估量表。此外，患者反复回答有关抗抑郁药物依从性、总体健康状况和因心理健康问题而卧床的天数的问题。考虑到每位患者的大量连续报告，我们检查了患者IVR反应的可预测性。具体来说，我们确定了每个患者最近的五次每周、两周和每月评估。我们使用这些数据加上在先前评估期间和患者登记时收集的其他信息来确定健康报告的可预测性程度，以及这种可预测性是否根据尝试评估呼叫的频率而变化。基于这些分析，我们确定了收集频率较低的数据(例如，每两周或每月)提供的患者状态信息是否与每周收集的信息一样多，从而有可能减少IVR呼叫的频率或将其重点转移到其他重要的健康指标上。更一般地说，我们试图确定数据挖掘技术是否可以为重复测量患者健康状况的自动评估提供信息，以便收集最有临床用的、非冗余的信息。gydF4y2Ba

方法gydF4y2Ba

患者资格及招募gydF4y2Ba

患者于2010年3月至2012年1月从13所大学附属和社区初级保健诊所登记入组。为了符合条件，患者必须在过去两年内进行两次初级保健就诊，在过去13个月内至少进行一次，并且要么在临床记录中列出抑郁症诊断，要么在账单数据中列出抗抑郁药处方加上抑郁症诊断。排除精神分裂症、精神病、妄想障碍、双相情感障碍或痴呆患者。潜在的参与者将收到一封介绍信，随后是筛选和招聘电话。提供知情同意的患者在IVR系统中注册，并邮寄额外的项目信息，包括描述与非正式护理人员和临床医生有效沟通的材料。该研究得到了密歇根大学和安娜堡VA医疗保健系统的人类受试者委员会的批准。有关干预措施及病人接听IVR电话的详情，已在其他地方公布[gydF4y2Ba13gydF4y2Ba]。gydF4y2Ba

IVR监控协议gydF4y2Ba

有关IVR呼叫内容和功能的详细信息，请联系作者。简而言之，在安排评估的每个星期，系统最多尝试三次联系患者，最多三种不同的患者选择的日期/时间组合。电话的内容是根据精神科医生、初级保健提供者以及IVR程序设计和健康行为改变方面的专家的意见开发的。每个电话都包括使用PHQ-9对患者抑郁症状的评估[gydF4y2Ba24gydF4y2Ba]。PHQ-9是一份包含9个项目的问卷，相对于其他已建立的严重抑郁症的测量方法，它是敏感和具体的。得分与身体功能、病假和医疗保健使用有关[gydF4y2Ba24gydF4y2Ba]。因为自我评定的健康状况与患者的服务使用和死亡风险相关[gydF4y2Ba26gydF4y2Ba-gydF4y2Ba28gydF4y2Ba，他们被问及标准问题，“考虑到你的整体健康状况，你在过去的一周感觉如何(极好，很好，好，一般，差)?”服药依从性通过以下问题来评估:“在过去一周中，你有多少次完全按照处方服用抑郁症药物(总是、大多数时候、不到一半的时间、很少还是从不)?”最后，在每次评估中，患者都被问到:“过去一周，你是否因为心理健康问题而整天或大部分时间都躺在床上(是或不是)?”调用使用树形结构算法来呈现记录查询和定制信息，这些信息在患者和时间之间是不变的。根据患者的反应，他们收到了管理自我保健的量身定制的建议。例如，患者收到的信息是根据他们最近的抑郁得分轨迹(倾向于积极、消极或稳定，以及倾向于多少)量身定制的，包括以下信息:gydF4y2Ba

听起来你还在经历一些严重的抑郁症状。记住，如果医生给你开了一种治疗抑郁症的药物，重要的是你要严格按照处方服用，以防止你的抑郁症恶化。有时抑郁症药物需要一段时间才能起作用，所以如果你服用目前的药物不到8周，试着耐心等待，看看你是否开始看到一些改善。如果你服用同一种药物超过8周，你仍然感觉不舒服，你的医生想知道。你应该和你的医生预约，谈谈其他的治疗方案。通话结束后我会给你医生办公室的电话号码。gydF4y2Ba

临床医生在下次门诊会诊前收到传真警报，确认患者报告需要随访的健康问题。对于与家庭护理人员登记的患者，这些护理人员通过IVR和电子邮件收到自动更新，并建议他们如何支持患者的自我管理。gydF4y2Ba

兴趣结果gydF4y2Ba

对于每个评估，我们为报告的四个结果中的每一个创建了二元指标:(1)PHQ-9评分≥10所指示的中度/重度抑郁症状;(2)一般健康状况一般或较差;(3)抗抑郁药物依从性差，即很少或从不遵医嘱服用抗抑郁药物;(4)过去一周由于心理健康问题而卧床数天。gydF4y2Ba

分析样本的定义和分析gydF4y2Ba

为了根据先前评估的内容和频率确定患者评估报告的可预测性，我们确定了符合以下标准的患者子集:(a)在指标评估之前完成了五次先前评估，并以该计划每周评估尝试的正常频率收集;(b)五项已完成的先前评估，每次评估之间至少间隔两周;(c)五次完成的先前评估，每次评估之间至少间隔4周。共确定208例独特患者的1050项指标评估。gydF4y2Ba

除了将每个指数评估与先前的评估信息联系起来外，指数评估还与项目启动时收集的有关患者社会人口统计学和临床特征的信息联系起来。这些基线数据包括患者的年龄、性别、受教育程度、基线抑郁症状严重程度评分(即使用PHQ-9减去询问自杀意念的项目)[gydF4y2Ba29gydF4y2Ba[])，在项目进入前一年自我报告的住院情况，通过SF-12测量的身体功能[gydF4y2Ba30.gydF4y2Ba]，以及共病慢性药物状况的数量。gydF4y2Ba

在最初的分析中，我们检查了每个指数评估中报告的四个健康指标之间的相关性，并计算了患者ivr报告的PHQ-9评分的α信度。然后，我们检查了当相同的问题在最近的一次或两次评估中报告时，在指数评估中报告每个健康问题的患者比例，假设每周一次、两周一次或每月一次评估尝试。例如，我们检查了患者报告的中度/重度抑郁症状(PHQ-9≥10)与最近一次评估或两次最近评估(假设每周一次、两周一次和每月一次的评估电话)中相似的高PHQ-9评分之间的相关性。gydF4y2Ba

最后，我们拟合多元逻辑回归模型，预测指数评估中报告的四个健康指标。每个模型包括上述定义的患者的基线社会人口统计学和临床特征，以及关于同一健康指标的信息，以及在假定每周、每两周或每月呼叫尝试的周期性下收集的五次先前评估中报告的其他三个健康指标。旨在获取患者抑郁评分趋势的附加信息的系列指标(例如，自项目进入以来的周数和先前完成评估的次数)也被认为是潜在的预测因素。对于预测中度/重度抑郁症状、一般/不良健康状况和卧床天数的模型，这些附加变量在患者健康和自我保健的多个先前有序指标的背景下没有明显的边际预测价值。然而，自项目进入以来的周数指标是患者药物依从性的边际显著预测指标，并保留在模型中，作为预测患者报告抗抑郁药物依从性差的ROC曲线的基础。gydF4y2Ba

在拟合这三个模型时，我们使用了两种策略来防止对当前数据集的过拟合。首先，我们使用了10倍交叉验证，其中基于随机90%的训练样本对模型进行10次拟合，然后用于预测互斥的10%测试样本的结果。其次，对于每一个10个重复，我们使用逐步回归(与agydF4y2BaPgydF4y2Ba值为0.20(去除)，以确定候选预测因子的最重要子集。所有模型还对患者评估反应的聚类进行了调整。gydF4y2Ba

使用接收算子特征(ROC)曲线将三种模型对每个结果的预测意义以图形方式相互比较，并与仅具有基线信息的模型进行比较。我们还比较了roc的曲线下面积(AUC)，并计算了每个AUC的95%置信区间[gydF4y2Ba31gydF4y2Ba]。为了说明最佳模型对每个结果的潜在预测准确性，我们报告了ROC曲线上正确预测结果比例最高的点的敏感性和特异性。gydF4y2Ba

结果gydF4y2Ba

病人的特点gydF4y2Ba

患者平均年龄52.2岁。大多数是已婚的白人妇女(gydF4y2Ba表1gydF4y2Ba）.患者平均报告了2.4种共病慢性疾病，包括高血压(50.0%)、关节炎(49.5%)、慢性肺部疾病(33.2%)和背痛(42.1%)。大约三分之一(33.2%)的患者在基线时有中度或重度抑郁症状;这些患者在项目登记时比有轻度抑郁症状的患者平均年轻一些。gydF4y2Ba

报告的运行状况问题在IVR评估中同时发生gydF4y2Ba

在IVR评估中报告特定问题的患者更有可能报告其他并发问题。例如，与报告轻度抑郁症状的患者相比，报告中度/重度抑郁症状的患者更有可能报告由于精神健康问题而整天或大部分时间都躺在床上(27%对8%)，他们的总体健康状况要么一般，要么很差(47%对14%，两者都有)gydF4y2BaPgydF4y2Ba<。001(按患者进行聚类调整后)。同样，在同样的评估中，报告过去一周因心理健康问题卧床不起的患者比其他患者更有可能将自己的健康状况评为一般或较差(29%对20%，gydF4y2BaPgydF4y2Ba<措施)。报告很少或从未遵医嘱服药的患者比其他患者更有可能报告总体健康状况不佳(28%对17%;gydF4y2BaPgydF4y2Ba<措施)。gydF4y2Ba

相同结果的IVR报表与先前报表的二元关系gydF4y2Ba

PHQ-9的内部信度极佳(alpha= 0.87)。如果患者在先前的评估中报告了类似的信息，则他们报告中度/重度抑郁症状的可能性要大得多(gydF4y2Ba表2gydF4y2Ba）.例如，虽然患者在所有评估中报告中度/重度抑郁症状的比例为21.5%，但在最近一次评估中报告类似重度抑郁症状的比例为70.3%，在最近两次评估中报告中度/重度抑郁症状的比例为83.3%，假设每周进行评估。在最近一周PHQ-9评分<10的患者中，91%的患者在他们的指数评估中得分也<10。假设每周进行一次评估，在患者报告的总体健康状况、药物依从性和因精神健康问题而卧床的天数之间的自相关性方面，观察到类似的模式。gydF4y2Ba

一般来说，每两周或每月收集的评估与后续报告的相关性略低于假设每周评估尝试收集的信息。例如，58.8%的患者报告中度/重度抑郁症状的指数评估在假设每周进行一次的最近两次评估中具有同样高的水平，相比之下，两周一次的两次评估为53.4%，而每月进行的两次评估为51%。gydF4y2Ba

预测模型gydF4y2Ba

中度/重度抑郁症gydF4y2Ba

预测患者抑郁症状的模型的ROC曲线，无论之前的评估是每周一次、两周一次还是每月一次，都具有高度预测性，AUC≥0.89 (gydF4y2Ba图1gydF4y2Ba和gydF4y2Ba表3gydF4y2Ba）.在gydF4y2Ba图1gydF4y2Ba其中，蓝线表示每周评估尝试次数，绿线表示每两周评估尝试次数，红线表示每月评估尝试次数。黄线表示仅使用基线数据预测抑郁症状的模型的ROC曲线。所有其他模型还包括基线临床和社会人口学信息。虽然每周评估的AUC与两周一次(gydF4y2BaPgydF4y2Ba<.001)或每月评税(gydF4y2BaPgydF4y2Ba<.001)，两周通话与每月通话的AUC差异无统计学意义(gydF4y2BaPgydF4y2Ba= 36)。gydF4y2Ba

假设每周评估尝试的模型AUC为0.91 (95% CI 0.89, 0.93)。在ROC曲线上正确分类报告数量最多的点(即，中度/重度抑郁症的概率= 0.50)，88.4%的评估被正确分类，敏感性为0.68，特异性为0.94。正如预期的那样，无论评估尝试的频率如何，患者先前的PHQ-9评分是指数评估得分≥10的最强预测因子，尽管先前的IVR报告关于一般健康状况、基线抑郁症状严重程度、基线身体功能和基线报告的合并症数量也是患者抑郁状态的显著独立预测因子。gydF4y2Ba

一般健康状况gydF4y2Ba

与患者对抑郁症状的报告类似，基于先前信息的总体健康状况报告是高度可预测的(gydF4y2Ba图2gydF4y2Ba）.在gydF4y2Ba图2gydF4y2Ba其中，蓝线表示每周评估尝试次数，绿线表示每两周评估尝试次数，红线表示每月评估尝试次数。黄线仅表示基于基线数据的预测。所有其他模型还包括基线临床和社会人口学信息。gydF4y2Ba

假设每周评估尝试的模型AUC为0.88 (95% CI 0.86, 0.91)。该模型的AUC与假设每两周尝试一次的AUC (gydF4y2BaPgydF4y2Ba= 0.11)或每月收取的评税(gydF4y2BaPgydF4y2Ba=结果)。先前关于感知健康状况的报告是最强的预测因子，尽管先前关于由于精神健康问题而卧床的天数和关于药物依从性问题的信息也一直保留在逻辑模型中，作为患者健康状况一般/不良的指数评估报告的预测因子。对于假设每周评估尝试的模型，表示健康状况尚可/较差概率的截止=。50正确分类87%的所有指标评估，敏感性为0.58，特异性为0.95。gydF4y2Ba

抗抑郁药物依从性差gydF4y2Ba

虽然预测药物依从性问题报告的模型的总体预测能力略低，但这些模型还显示，与每周收集的信息相比，每两周或每月收集的信息与指数评估报告的相关性相似(gydF4y2Ba表3gydF4y2Ba和gydF4y2Ba图3gydF4y2Ba）.在gydF4y2Ba图3gydF4y2Ba其中，蓝线表示每周评估尝试次数，绿线表示每两周评估尝试次数，红线表示每月评估尝试次数。黄线表示仅使用基线数据预测依从性差的模型的ROC曲线。所有其他模型还包括基线临床和社会人口学信息。gydF4y2Ba

基于每周评估的模型AUC为0.84 (95% CI 0.80, 0.88)。该模型的AUC与两周(gydF4y2BaPgydF4y2Ba=.07)或每月(gydF4y2BaPgydF4y2Ba= 0.60)评估尝试。除了患者药物依从性的先验信息外，患者的年龄和基线身体功能始终有助于这些模型的预测能力。假设每周评估尝试，ROC曲线上正确分类评估次数最多的点(依从性问题的概率= 0.58)的敏感性为0.86，特异性为0.41。gydF4y2Ba

在床上的日子gydF4y2Ba

根据AUC的测量，预测因心理健康问题而卧床天数的模型对于基于每周一次、两周一次和每月一次评估尝试的模型的预测准确性最低(gydF4y2Ba表3gydF4y2Ba和gydF4y2Ba图4gydF4y2Ba）.在gydF4y2Ba图4gydF4y2Ba其中，蓝线表示每周评估尝试次数的模型ROC曲线，绿线表示两周评估尝试次数，红线表示每月评估尝试次数。黄线表示仅使用基线数据的预测，所有其他模型还包括基线临床和社会人口学信息。虽然每周评估的AUC与两周一次(gydF4y2BaPgydF4y2Ba=.05)或每月评税(gydF4y2BaPgydF4y2Ba= 0.05)，两周一次和每月一次通话的AUC差异无统计学意义(gydF4y2BaPgydF4y2Ba= .57)。除了患者先前的卧床天数报告外，先前的抑郁症状报告以及他们的基线身体和精神功能是卧床天数的重要预测因素。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

讨论gydF4y2Ba

主要研究结果gydF4y2Ba

这些分析表明，对抑郁症患者进行一些健康和行为风险因素的IVR评估可能是不必要的，因为患者的反应是基于他们先前的报告模式来预测的。特别是，我们发现要求患者每周报告他们的PHQ-9抑郁评分几乎没有什么好处，两周一次和每月一次的评估尝试之间只有微不足道的增量差异。在病人报告的一般健康状况尚可或较差的情况下，也观察到类似的模式。gydF4y2Ba

减少对特定健康指标的频繁评估，特别是当该指标是通过PHQ-9等多项目量表来衡量时，将有两个好处。首先，通过避免重复评估相同的健康问题，可能会减少患者的反应负担和辍学风险。其次，通过避免IVR监控中的冗余，可以设计更有效的信息，覆盖更广泛的临床参数。在目前的研究中，患者平均报告了两种以上的共病慢性疾病。尽量减少多余的问题将允许更全面地监测合并症，这些合并症可能使患者的抑郁症治疗复杂化，并对患者的健康构成独立威胁。gydF4y2Ba

对于我们检查的两个结果——服药不依从和卧床状态——先前的IVR报告在预测患者在随后的电话中的反应方面只有中等程度的成功。有几种可能的解释。可能是依从性和卧床天数不能可靠地测量，或者其他尚未测量的预测因素在确定这些健康行为方面更为重要。或者，这些健康指标实际上以不可预测的方式变化，比监测频率所能检测到的要快得多。如果后一个原因是正确的，这可能意味着需要更频繁的评估来检测出现的所有问题。无论如何，这里提出的审查监测频率的方法提供了一个框架，用于评估这些选择，并就监测哪些健康指标和监测频率做出更明智的选择。gydF4y2Ba

在当前研究中进行的评估是作为临床服务的一部分完成的，当报告严重问题时，将反馈给患者的初级保健团队和非正式护理人员。可能是这些反馈报告导致了干预措施，稳定了患者的健康状况，使随后的患者报告更可预测。出于显而易见的原因，收集患者健康信息而不采取行动在道德上是具有挑战性的，但这些信息可以提供对各种结果的IVR监测的适当周期的见解。另一方面，当前研究中使用的数据更能代表患者在“现实世界”实践中可能报告的内容，而且我们发现每周评估可能产生冗余信息的事实，对于正在努力如何最好地管理具有多种相互竞争的健康需求的患者的卫生保健组织来说，这是令人鼓舞的。gydF4y2Ba

最近改变抗抑郁药物治疗方案的患者可能更有可能经历导致坚持问题的副作用。目前的系统与药房记录没有联系。这种联系是一个很好的例子，说明监测系统包括更广泛的患者健康潜在决定因素，可以帮助确保流动卫生服务侧重于在已知的关于患者的一切情况下提供最重要的预后信息的健康指标。gydF4y2Ba

诸如此类的预测模型可以与先进的机器学习算法一起使用，以定制跨患者、时间和健康指标的监测频率。例如，收集关于患者抑郁症状轨迹的冗余信息所节省的时间可以用于提供认知行为疗法，旨在通过教授诸如认知重组或增加愉悦活动等技能来改善患者的情绪[gydF4y2Ba32gydF4y2Ba]。或者对于患有抑郁症和共病的患者，更有效的算法可以自动适应，以便专注于患者的其他疾病、症状或自我保健行为，这些行为需要更多的关注，以促进整体健康。简而言之，当前研究中说明的数据挖掘方法可以与自动更新患者重复移动健康互动内容的算法相关联，最大限度地强调患者教育，同时持续监测对患者当前和未来并发症风险构成最大风险的健康问题。gydF4y2Ba

所检查的四种结果中的每一种都可以使用顺序或甚至连续的测量来表征，而选择将结果二分类可能会降低模型的预测能力。我们选择二元结果是因为临床决策(例如，是否打电话给患者，要求就诊或更改处方)通常是二元的，并且这些逻辑模型可以通过许多医疗保健专业人员熟悉的ROC曲线进行比较。然而，数据挖掘包括越来越多的方法，这些方法可以用于临床预测问题，这取决于(例如)结果的功能形式、可用数据量以及兴趣关系是否由底层参数模型生成的“嘈杂”数据表示。gydF4y2Ba

目前的研究使用逻辑回归、交叉验证和ROC曲线来确定患者ivr报告数据的预测趋势。人工神经网络(ANNs)是一种替代参数方法，在医疗诊断方面的应用超过15年[gydF4y2Ba33gydF4y2Ba]。支持向量机[gydF4y2Ba34gydF4y2Ba]代表了人工神经网络的一种流行的非参数替代方法[gydF4y2Ba35gydF4y2Ba]用于复杂的分类问题，特别是当组之间的边界(例如，抑郁症和非抑郁症患者之间)在预测变量方面是不规则的，并且尽管有噪声，仍然有足够的数据可用于分类。层次潜变量模型(如隐马尔可夫模型)[gydF4y2Ba36gydF4y2Ba])可以用来捕捉抑郁症得分的潜在决定因素，这样医疗决策就可以基于这些潜在信息。如果结果是连续的抑郁评分，则具有指数平滑的移动平均模型可以提供对数据趋势的初步了解[gydF4y2Ba37gydF4y2Ba，gydF4y2Ba38gydF4y2Ba]。其他非平稳性建模方法包括自回归积分移动平均(ARIMA)模型[gydF4y2Ba39gydF4y2Ba]或基于回归的预测模型来提取时间序列的复杂特征。更一般的状态空间表示模型也可用于描述动态系统的运动，并从噪声数据源中提取位置估计及其导数(如速度或加速度)[gydF4y2Ba40gydF4y2Ba]。gydF4y2Ba

无论采用何种分析方法，通过在预测中包含更多的先验信息(例如，来自大量先验IVR评估的信息)，可能可以改善对患者反应的预测。在当前的研究中，我们试图在最大限度地提高给定患者的预测准确性和在分析中纳入大量更具代表性的患者样本之间取得平衡，并进行足够数量的评估(即，要求不超过五次事先评估，每次评估之间至少间隔1周、2周和1个月)。在大型健康计划数据的背景下进行类似的分析可能会显著改善临床决策的证据基础。gydF4y2Ba

结论gydF4y2Ba

总而言之，目前流动健康评估的内容和频率几乎完全基于固定的时间表和专家意见，而不是根据患者先前报告的状况进行个性化评估。这些分析表明，在某些情况下，收集高频健康数据的技术可行性可能超过这样做的临床效益。特别是，每周或每两周的抑郁症状报告可能提供很少的边际信息，而不是每月收集这些信息。数据挖掘可以让我们发现患者报告中的趋势，智能系统可以使用这些趋势来准确预测患者的健康状况。下一代自动化健康评估服务应使用这些或其他数据挖掘技术来避免冗余评估，并以使所收集信息价值最大化的频率收集数据。这样的适应性系统可以对患者更加友好，并且可以为数量庞大且不断增长的患有多种慢性疾病的患者适应更广泛的风险因素。gydF4y2Ba