Machine Learning and Medication Adherence: Scoping Review.

Araştırma özeti

Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by

BackgroundBu, makine öğrenimi ve ilaç bağlılığı konularına geniş bir şekilde odaklanan ilk tarama incelemesidir.Bu inceleme, ilaç bağlılığı ile ilgili eylemler için makine öğrenimi kullanmaya odaklanan literatürü kategorize etmeyi, özetlemeyi ve analiz etmeyi amaçlamaktadır.MethodsPubMed, Scopus, ACM Dijital Kütüphanesi, IEEE ve Web of Science, dahil olma kriterlerini karşılayan çalışmaları bulmak için arandı. Tam metin incelemesinin ardından 43 eser final analizine dahil edildi. İlgili bilgiler, nihai taslakta yer almadan önce sistematik olarak çizelgelendi. Çalışmalar, ilaca bağlılıkla ilgili eylemlerin kombinasyonuna bağlı ek analizler için doğal kategorilere yerleştirildi. Bu tarama incelemesi için protokol, PRISMA-ScR (Sistematik İncelemeler için Öngörülen Raporlama Öğeleri ve Tarama İncelemeleri için Meta-Analiz Uzatma) yönergeleri kullanılarak oluşturuldu.Sonuçlar İlaç yapışmasını tahmin etmeye odaklanan yayınlar, iki veya daha fazla çalışmada önemli olan 20 güçlü tahminci ortaya çıkardı. İlaç yapışmasını öngören toplam 13 çalışma, ilaç yapışma durumunu belirlemek için kendi kendine bildirilen anketleri veya eczane iddia verilerini kullandı. Buna ek olarak, ilaç yapışmasını öngören 13 çalışma, lojistik regresyon, yapay sinir ağları, rastgele orman veya destek vektör makineleri kullanarak bunu yaptı. İlaç yapışmasını öngören 15 çalışmadan 6'sı en düşük %77,6'sı tahmin edici doğruluk bildirdi. 13 izleme sisteminden, akıllı saatler veya akıllı telefonlar gibi tüketici elektroniğinde ilaç konteyner sensörleri veya sensörleri kullanan 12 kararlı ilaç uygulaması. Toplam 11 izleme sistemi, ilaç yönetimini belirlemek için lojistik regresyon, yapay sinir ağları, destek vektör makineleri veya rastgele orman algoritmaları kullandı. İnhaler yönetimi izleyen 4 sistem, %93.75 veya daha yüksek bir sınıflandırma doğruluğu bildirdi. Parkinson hastalığı olan hastalarda ilaç durumunu izleyen 2 sistem, %78 veya daha yüksek bir sınıflandırma doğruluğu bildirdi. Toplam 3 çalışma, sadece akıllı saat sensörlerini kullanarak ilaç yönetimini izledi ve %78,6 veya daha yüksek bir sınıflandırma doğruluğu bildirdi. Bağlamsal farkında olan ilaç hatırlatıcıları sağlayan iki sistem, hastaların %92 veya daha yüksek bir bağlılık seviyesine ulaşmalarına yardımcı oldu. İki konuşma yapay zeka hatırlatıcı sistemi, geleneksel hatırlatıcı sistemlerle karşılaştırıldığında yapışma oranlarını önemli ölçüde geliştirdi.Konvüzyonlar Birden fazla veri setinde ilaç yapışmasını doğru bir şekilde öngören sistemlerin oluşturulması, birden fazla çalışmada güçlü kalan tahminciler nedeniyle mümkün olabilir. Mümkün olduğunda daha yüksek kalitedeki bağlılık önlemleri, tahmin algoritmalarının doğru bilgilere dayanması için benimsenmelidir. Şu anda, ilaç yapışması iyi bir doğruluk düzeyi ile tahmin edilebilir ve potansiyel olarak uyumsuzluğu önleme amaçlı müdahalelerin geliştirilmesine olanak tanır. İnhaler kullanımını izleyen izleme sistemleri şu anda inhaler ile ilgili eylemleri mükemmel bir doğruluk seviyesi ile sınıflandırarak, yapışmanın ve potansiyel olarak uygun inhaler tekniğinin izlenmesini sağlar. Parkinson hastalığı olan hastalarda ilaç durumlarını izleyen sistemler şu anda iyi bir sınıflandırma doğruluğu elde edebilir ve gelecekte ilaç tedavisi değişikliklerini bilgilendirme potansiyeline sahip olabilir. Sadece akıllı saatlerdeki hareket sensörlerini kullanan ilaç yönetimi izleme sistemleri şu anda iyi bir sınıflandırma doğruluğu elde edebilir, ancak yalnızca az sayıda olası aktivite arasında ayrım yaparken. Bağlam-farkındalık hatırlatıcı sistemleri, hastaların yüksek düzeyde ilaç yapışmasına yardımcı olabilir, ancak aynı zamanda kullanıcılar tarafından kabul edilmeyebilecek müdahalecidir. Konuşmalı yapay zeka hatırlatıcı sistemleri, bağlılığı önemli ölçüde artırabilir.

Özgün kaynak özetini okuyun

BackgroundThis is the first scoping review to focus broadly on the topics of machine learning and medication adherence.ObjectiveThis review aims to categorize, summarize, and analyze literature focused on using machine learning for actions related to medication adherence.MethodsPubMed, Scopus, ACM Digital Library, IEEE, and Web of Science were searched to find works that meet the inclusion criteria. After full-text review, 43 works were included in the final analysis. Information of interest was systematically charted before inclusion in the final draft. Studies were placed into natural categories for additional analysis dependent upon the combination of actions related to medication adherence. The protocol for this scoping review was created using the PRISMA-ScR (Preferred Reporting Items for Systematic Reviews and Meta-Analyses Extension for Scoping Reviews) guidelines.ResultsPublications focused on predicting medication adherence have uncovered 20 strong predictors that were significant in two or more studies. A total of 13 studies that predicted medication adherence used either self-reported questionnaires or pharmacy claims data to determine medication adherence status. In addition, 13 studies that predicted medication adherence did so using either logistic regression, artificial neural networks, random forest, or support vector machines. Of the 15 studies that predicted medication adherence, 6 reported predictor accuracy, the lowest of which was 77.6%. Of 13 monitoring systems, 12 determined medication administration using medication container sensors or sensors in consumer electronics, like smartwatches or smartphones. A total of 11 monitoring systems used logistic regression, artificial neural networks, support vector machines, or random forest algorithms to determine medication administration. The 4 systems that monitored inhaler administration reported a classification accuracy of 93.75% or higher. The 2 systems that monitored medication status in patients with Parkinson disease reported a classification accuracy of 78% or higher. A total of 3 studies monitored medication administration using only smartwatch sensors and reported a classification accuracy of 78.6% or higher. Two systems that provided context-aware medication reminders helped patients to achieve an adherence level of 92% or higher. Two conversational artificial intelligence reminder systems significantly improved adherence rates when compared against traditional reminder systems.ConclusionsCreation of systems that accurately predict medication adherence across multiple data sets may be possible due to predictors remaining strong across multiple studies. Higher quality measures of adherence should be adopted when possible so that prediction algorithms are based on accurate information. Currently, medication adherence can be predicted with a good level of accuracy, potentially allowing for the development of interventions aimed at preventing nonadherence. Monitoring systems that track inhaler use currently classify inhaler-related actions with an excellent level of accuracy, allowing for tracking of adherence and potentially proper inhaler technique. Systems that monitor medication states in patients with Parkinson disease can currently achieve a good level of classification accuracy and have the potential to inform medication therapy changes in the future. Medication administration monitoring systems that only use motion sensors in smartwatches can currently achieve a good level of classification accuracy but only when differentiating between a small number of possible activities. Context-aware reminder systems can help patients achieve high levels of medication adherence but are also intrusive, which may not be acceptable to users. Conversational artificial intelligence reminder systems can significantly improve adherence.

Bilimsel değerlendirme

Araştırma sorusu

Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.

Yöntem ve örneklem

Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.

Temel bulgular

Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.

Sınırlılıklar

Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.

Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.