Sequential Model for Predicting Patient Adherence in Subcutaneous Immunotherapy for Allergic Rhinitis

要約

目的: 皮下免疫療法 (SCIT) は、アレルギー性鼻炎 (AR) の長期にわたる原因治療です。
アレルゲン免疫療法（AIT）の利益を最大化するために患者のアドヒアランスをどのように高めるかは、AITの管理において重要な役割を果たします。
この研究は、新しい機械学習モデルを活用して、AR 患者の非アドヒアランスのリスクと、3 年間の SCIT における関連する局所症状スコアを正確に予測することを目的としています。
方法: この研究では、確率的潜在俳優批評家 (SLAC) の逐次潜在変数モデル (SLVM) と、スコアリングと遵守予測機能に基づいてそれらを評価する長短期記憶 (LSTM) の 2 つのモデルを開発および分析します。
結果: 最初のタイム ステップでの偏ったサンプルを除くと、SLAC モデルの予測遵守精度は 60\% ～ 72\% であり、LSTM モデルの場合は 66\% ～ 84\% であり、時間によって異なります。
ステップ。
SLAC モデルの二乗平均平方根誤差 (RMSE) の範囲は 0.93 ～ 2.22 ですが、LSTM モデルの場合は 1.09 ～ 1.77 です。
注目すべきことに、これらの RMSE はランダム予測誤差 4.55 よりも大幅に低いです。
結論：我々は、SCIT の長期管理に逐次モデルを創造的に適用し、AR 患者における SCIT 不遵守の予測において期待できる精度を実現しました。
LSTM はアドヒアランス予測において SLAC より優れていますが、AR のために SCIT を受けている患者のスコア予測においては SLAC が優れています。
状態アクションベースの SLAC は柔軟性を高め、長期的な AIT を管理するための斬新で効果的なアプローチを提供します。

要約(オリジナル)

Objective: Subcutaneous Immunotherapy (SCIT) is the long-lasting causal treatment of allergic rhinitis (AR). How to enhance the adherence of patients to maximize the benefit of allergen immunotherapy (AIT) plays a crucial role in the management of AIT. This study aims to leverage novel machine learning models to precisely predict the risk of non-adherence of AR patients and related local symptom scores in three years SCIT. Methods: The research develops and analyzes two models, sequential latent-variable model (SLVM) of Stochastic Latent Actor-Critic (SLAC) and Long Short-Term Memory (LSTM) evaluating them based on scoring and adherence prediction capabilities. Results: Excluding the biased samples at the first time step, the predictive adherence accuracy of the SLAC models is from 60\% to 72\%, and for LSTM models, it is 66\% to 84\%, varying according to the time steps. The range of Root Mean Square Error (RMSE) for SLAC models is between 0.93 and 2.22, while for LSTM models it is between 1.09 and 1.77. Notably, these RMSEs are significantly lower than the random prediction error of 4.55. Conclusion: We creatively apply sequential models in the long-term management of SCIT with promising accuracy in the prediction of SCIT nonadherence in AR patients. While LSTM outperforms SLAC in adherence prediction, SLAC excels in score prediction for patients undergoing SCIT for AR. The state-action-based SLAC adds flexibility, presenting a novel and effective approach for managing long-term AIT.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google