Digital Twins for Stress Management Utilizing Synthetic Data
Notice bibliographique
Résumé
In the era of Medical 4.0, technologies such as big data, wearables, and Machine Learning (ML) are being deployed for predictive healthcare delivery. In this regard, digital twins have been adopted in healthcare to enhance diagnosis and personalized treatment. Health Digital Twins (HDTs) are virtual representations of patients’ data, mirroring the health state of patients to provide insights. Despite its promise, the existing works on HDTs relied on large historical data to train ML models. These historical data may be difficult to obtain due to privacy concerns of data fiduciaries and subjects. In this paper, we propose a Digital Twin for Stress Management (DTSM) that employs generative models to learn the distribution of patients’ data retrieved from a wearable device for stress management score prediction. To obtain a virtual replica of a patient’s data, we used synthetic data generative models such as Conditional Tabular Generative Adversarial Network (CTGAN), Tabular Variational Autoencoder (TVAE), Gaussian Copula, and Large Language Models (LLM) (REaLTabFormer and GReaT). The best result came from REaLTabFormer which accurately learns the distributions of the real data with a data quality score of approximately 93%. Furthermore, four well-known ML models trained on the synthetic data obtained a mean absolute error (MAE) of less than 5% in the prediction of stress score. Our experimental results show that the proposed DTSM can be used for the prediction of stress management scores.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».