Analytics voor Gezondheidsgegevens

IMPACT

Op basis van testen met gebruikers, Touchpoints, en verzamelde gegevens, is er een systeem ontwikkeld dat aanbevelingen doet met betrekking tot levensstijl, om senioren met sedentaire gewoontes te helpen om actiever te worden door middel van de REACH-Touchpoints. In deze context worden er methodes ontwikkeld om bestaande gebruikers te clusteren, op basis van tijdreeksdata over hoe bepaalde interventies met betrekking tot gedragsveranderingen de huidige gewoontes beïnvloeden. Een interventie kan er bij sommige gebruikers bijvoorbeeld toe leiden dat zij actiever worden (dit worden respondenten genoemd), terwijl bij andere gebruikers het tegenovergestelde kan gebeuren (niet-responders) of het verhoogde activiteitsniveau slechts tijdelijk aanhoudt (tijdelijke respondenten). Op deze manier wordt elke gebruiker gekenmerkt aan de hand van een bereidheidsscore die aangeeft hoe waarschijnlijk het is dat hij/zij reageert op de voorgestelde interventie. Bij nieuwe gebruikers zal het systeem een gedragsverandering kunnen voorstellen die is afgestemd op zijn/haar bereidheidsscore, op basis van vergelijkingen met gebruikers die al door het systeem gemodelleerd zijn. Dit zorgt voor een kleiner risico op suggesties of voorstellen die schakelijk kunnen zijn voor hem/haar. healthyTogetherColorizedClusters

Figuur: de clusterprototypes voor de HealthyTogether-dataset (Yürüten, O., Zhang, J., & Pu, P.,2014, Juni: Decomposing activities of daily living to discover routine clusters. In: Twenty-Eighth AAAI Conference on Artificial Intelligence).  ts-ibc

Figuur: het gedrag van mensen voor de interventie (dagelijkse activiteitenpatronen) en de gedragsverandering van mensen na de interventie (patronen in activiteitenveranderingen) staan respectievelijk aan de linker- en rechterkant. De resultaten suggereren dat inactieve en matig actieve mensen positief zullen reageren op de interventie. Referentie: Kulev, I., Pu, P., & Faltings, B., 2016, December: Discovering Persuasion Profiles Using Time Series Data. In: NIPS 2016 Time Series Workshop.