Previsione personalizzata degli esiti del trattamento della depressione con dispositivi indossabili.

Il modello di apprendimento multitasking (MTL) proposto è stato sviluppato utilizzando i dati di dispositivi indossabili indossati da individui in uno studio randomizzato controllato (RCT) per prevedere i risultati di un trattamento della depressione.

Negli ultimi anni, la gestione della propria salute mentale è diventata una priorità con una maggiore enfasi sulla cura di sé.

La sola depressione colpisce più di 300 milioni di persone nel mondo, con una prevalenza che può arrivare a 1 persona su 5 nella popolazione generale e proiezioni che ne fanno la prima causa di disabilità a livello globale. Questi dati sono sufficienti a spiegare perché l'OMS parla di questo disturbo psichico come della “malattia del secolo”.

Riscontrato ciò, c'è un interesse significativo nel sfruttare i dispositivi indossabili popolari per monitorare la salute mentale di un individuo misurando indicatori come i livelli di attività, il sonno e la frequenza cardiaca.

Un gruppo di ricercatori della Washington University di St. Louis e dell'Università dell'Illinois di Chicago ha utilizzato i dati dei dispositivi indossabili per prevedere gli esiti del trattamento per la depressione su individui che hanno preso parte a uno studio clinico randomizzato. Hanno sviluppato un nuovo modello di apprendimento automatico che analizza i dati di due gruppi di pazienti – quelli selezionati casualmente per ricevere il trattamento e quelli che non hanno ricevuto il trattamento – invece di sviluppare un modello separato per ciascun gruppo. Questo modello multitasking unificato è un passo verso la medicina personalizzata, in cui i medici progettano un piano di trattamento specifico per le esigenze di ciascun paziente e prevedono l'esito sulla base dei dati di un individuo.

I risultati sono stati pubblicati negli Atti dell'ACM sulle tecnologie interattive, modellistiche, indossabili e ubiquitarie e saranno presentati alla conferenza UbiComp 2022 di Settembre.

Chenyang Lu, PhD, professore presso la McKelvey School of Engineering presso la Washington University di St. Louis e autore dello studio.

"La terapia comportamentale integrata può essere costosa e richiedere molto tempo", ha affermato in un comunicato stampa Chenyang Lu, PhD, professore presso la McKelvey School of Engineering presso la Washington University di St. Louis e autore dello studio.

"Se siamo in grado di fare previsioni personalizzate per gli individui sulla probabilità che un paziente risponda a un particolare trattamento, allora i pazienti possono continuare con il trattamento solo se il modello prevede che le loro condizioni potrebbero migliorare con il trattamento, ma meno probabilmente senza trattamento".

Nello studio, 106 partecipanti con depressione hanno indossato dispositivi Fitbit e hanno ricevuto test psicologici. Circa due terzi hanno ricevuto anche una terapia comportamentale, mentre l'altro terzo no. I pazienti erano statisticamente simili al basale, quindi i ricercatori hanno potuto valutare meglio se la terapia comportamentale avrebbe portato a risultati migliori sulla base dei dati individuali.

Secondo gli autori, questo modello MTL proposto segna uno sviluppo promettente e un passo importante nella medicina personalizzata.

“Le implicazioni di questo approccio basato sui dati si estendono oltre gli studi clinici randomizzati fino all'implementazione nell'erogazione di cure cliniche, dove la capacità di fare previsioni personalizzate degli esiti dei pazienti a seconda del trattamento ricevuto, e di farlo all'inizio e lungo il corso del trattamento, potrebbe significativamente informare il processo decisionale condiviso dal paziente e dal medico curante al fine di personalizzare il piano di trattamento per quel paziente", ha affermato Jun Ma, MD, PhD, professore di medicina presso l'Università dell'Illinois a Chicago e autore dello studio.

Per testare ulteriormente questo modello MTL proposto, gli autori intendono applicare il modello in un RCT simile su interventi comportamentali di telemedicina utilizzando braccialetti Fitbit e bilance di peso nei pazienti in uno studio di intervento per la perdita di peso.

https://dl.acm.org/doi/10.1145/3534591

Ornella A.