Integrating Ambient In-Home Sensor Data and Electronic Health Record Data for the Prediction of Outcomes in Amyotrophic Lateral Sclerosis: Protocol for an Exploratory Feasibility Study
Notice bibliographique
Résumé
BACKGROUND: Amyotrophic lateral sclerosis (ALS) leads to rapid physiological and functional decline before causing untimely death. Current best-practice approaches to interdisciplinary care are unable to provide adequate monitoring of patients' health. Passive in-home sensor systems enable 24×7 health monitoring. Combining sensor data with outcomes extracted from the electronic health record (EHR) through a supervised machine learning algorithm may enable health care providers to predict and ultimately slow decline among people living with ALS. OBJECTIVE: This study aims to describe a federated approach to assimilating sensor and EHR data in a machine learning algorithm to predict decline among people living with ALS. METHODS: Sensor systems have been continuously deployed in the homes of 4 participants for up to 330 days. Sensors include bed, gait, and motion sensors. Sensor data are subjected to a multidimensional streaming clustering algorithm to detect changes in health status. Specific health outcomes are identified in the EHR and extracted via the REDCap (Research Electronic Data Capture; Vanderbilt University) Fast Healthcare Interoperability Resource directly into a secure database. RESULTS: As of this writing (fall 2024), machine learning algorithms are currently in development to predict those health outcomes from sensor-detected changes in health status. This methodology paper presents preliminary results from one participant as a proof of concept. The participant experienced several notable changes in activity, fluctuations in heart rate and respiration rate, and reductions in gait speed. Data collection will continue through 2025 with a growing sample. CONCLUSIONS: The system described in this paper enables tracking the health status of people living with ALS at unprecedented levels of granularity. Combined with tightly integrated EHR data, we anticipate building predictive models that can identify opportunities for health care services before adverse events occur. We anticipate that this system will improve and extend the lives of people living with ALS. INTERNATIONAL REGISTERED REPORT IDENTIFIER (IRRID): DERR1-10.2196/60437.
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 | 0,031 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,003 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,034 | 0,009 |
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 ».