🤖 AI

Personalized Digital Health Modeling with Adaptive Support Users

Dieser Artikel schlägt ein einheitliches Framework für die Modellierung digitaler Gesundheit vor, das die Personalisierung in datenarmen Umgebungen durch eine adaptive Gewichtung unterstützender Nutzer verbessert, indem es ähnliche Individuen für Transferlernen und unähnliche für kontrastive Regularisierung integriert, um signifikante Verbesserungen der Vorhersagegenauigkeit und Daten effizienz über mehrere reale Datensätze hinweg zu erzielen.

Ursprüngliche Autoren: Zhongqi Yang, Mahkameh Rasouli, Neda Mohseni, Yong Huang, Iman Azimi, Amir M. Rahmani

Veröffentlicht 2026-05-06

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Zhongqi Yang, Mahkameh Rasouli, Neda Mohseni, Yong Huang, Iman Azimi, Amir M. Rahmani

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen, den perfekten Kuchen für sich selbst zu backen. Sie haben ein kleines Notizbuch mit Ihren eigenen Backversuchen (Ihre persönlichen Daten), doch es ist unordentlich, unvollständig und manchmal ist Ihnen der Kuchen verbrannt.

Die meisten digitalen Gesundheitswerkzeuge versuchen dies heute auf zwei Arten zu lösen:

Der „Einheitsgröße"-Koch: Er verwendet ein riesiges Rezeptbuch von tausenden Menschen. Es ist ein guter Durchschnitt, berücksichtigt aber weder Ihren spezifischen Geschmack noch Ihren Ofen.
Der „Look-Alike"-Koch: Er findet ein paar Personen, die Ihnen exakt gleichen, und nutzt ausschließlich deren Rezepte. Das ist besser, doch wenn diese wenigen Personen in irgendeiner Hinsicht irren, lernen auch Sie das Falsche.

Dieser Artikel schlägt einen intelligenteren Ansatz vor, der als „Adaptive Support-User Modeling" (Adaptives Unterstützungs-Nutzer-Modell) bezeichnet wird. Stellen Sie sich dies als die Einstellung eines personalisierten Küchenteams vor, das aus zwei sehr unterschiedlichen Arten von Helfern besteht:

1. Die „Zwillinge"-Helfer (Ähnliche Nutzer)

Dies sind Personen, die Ihnen sehr ähnlich sind. Ihre Rezepte bestätigen Ihr bereits vorhandenes Wissen. Wenn Sie beide Schokolade lieben und Ihre Kekse bei derselben Temperatur verbrennen, helfen deren Daten, Ihre eigenen Muster zu bestätigen. Sie bieten positive Unterstützung.

2. Die „Kontrast"-Helfer (Unterschiedliche Nutzer)

Hier liegt die große Wendung des Artikels: Es werden auch Personen einbezogen, die Ihnen sehr unähnlich sind.

Analogie: Stellen Sie sich vor, Sie versuchen zu lernen, was ein „Hund" ist. Wenn Sie nur Golden Retriever betrachten, könnten Sie denken, alle Hunde seien flauschig und golden. Betrachten Sie jedoch auch einen Chihuahua oder eine Deutsche Dogge, lernen Sie, was ein Hund nicht ist.
Im Modell des Artikels dienen diese „unterschiedlichen" Nutzer als Realitätscheck. Sie helfen der KI zu verstehen, was nicht in Ihr Muster passt. Wenn die Daten eines „unterschiedlichen" Nutzers ein Muster vorschlagen, das für Sie keinen Sinn ergibt, lernt das Modell, dies zu ignorieren. Dies verhindert, dass die KI durch irreführende Informationen verwirrt wird.

Wie die Magie funktioniert: Das System der „intelligenten Gewichtung"

Das wahre Genie dieses Artikels liegt darin, wie entschieden wird, wie stark jedem Helfer zugehört wird. Es werden nicht einfach die „Zwillinge" ausgewählt und der Rest ignoriert. Stattdessen wird ein dynamisches Bewertungssystem (adaptive Gewichte) verwendet, das sich ändert, während das Modell lernt.

Der Prozess:
1. Start: Das Modell schätzt basierend auf den Anfangsdaten, wer ähnlich und wer unterschiedlich ist.
2. Die Schleife: Das Modell trainiert sich selbst.
  - Wenn die Daten eines „ähnlichen" Helfers helfen, Ihre Gesundheit genau vorherzusagen, erhält dieser eine hohe Bewertung (es wird mehr zugehört).
  - Wenn die Daten eines „unterschiedlichen" Helfers einen klaren Kontrast schaffen, der dem Modell hilft, Ihre Grenzen zu verstehen, erhält dieser eine hohe Bewertung (dem Kontrast wird zugehört).
  - Wenn die Daten eines Helfers für Sie verwirrend oder falsch sind, sinkt deren Bewertung auf nahezu Null.
3. Ergebnis: Das Modell erstellt ein individuelles Rezept, das Ihre eigenen Daten mit den nützlichsten Teilen der Daten aller anderen verbindet, während es aktiv Rauschen herausfiltert.

Was der Artikel herausfand

Die Forscher testeten dies an echten Gesundheitsdaten zu Themen wie Einsamkeit, Stimmung, Blutzucker und Schlaf.

Bessere Genauigkeit: Ihre Methode war genauer als der „Einheitsgröße"-Ansatz und besser als das reine Betrachten von „Look-Alikes".
Dateneffizienz: Wenn nur sehr wenige Daten verfügbar waren (wie ein kleines Notizbuch mit Backversuchen), verbesserte diese Methode die Genauigkeit um etwa 25 % im Vergleich zu anderen Methoden. Bei großen Datensätzen verbesserte sie die Genauigkeit um 10 %.
Der „Kontrast" ist entscheidend: Als sie die „unterschiedlichen" Helfer aus dem Experiment entfernten, wurde das Modell schlechter. Dies bewies, dass das Vorhandensein von Personen, die Ihnen unähnlich sind, tatsächlich hilfreich ist, um zu lernen, was Sie nicht sind.
Intelligente Auswahl: Das Modell lernte, die mittelmäßigen Nutzer zu ignorieren. Es stellte fest, dass die nützlichsten Daten von Personen stammten, die entweder sehr ähnlich oder sehr unterschiedlich waren, und dass die „durchschnittlichen" Personen, die keine klaren Signale boten, übersprungen wurden.

Das Fazit

Dieser Artikel argumentiert, dass man, um ein wirklich personalisiertes Gesundheitsmodell zu erstellen, nicht nur nach Menschen suchen sollte, die Ihnen ähnlich sind. Man sollte auch nach Menschen schauen, die Ihnen unähnlich sind, um die Grenzen Ihrer eigenen Gesundheit zu verstehen. Indem man der KI erlaubt, dynamisch zu entscheiden, wem sie zuhört und wen sie ignoriert, entsteht ein viel schärferes und genaueres Bild Ihrer persönlichen Gesundheit als mit aktuellen Methoden.

Technische Zusammenfassung: Personalisierte digitale Gesundheitsmodellierung mit adaptiven Unterstützern

Problemstellung

Personalisiertes maschinelles Lernen ist im Bereich der digitalen Gesundheit aufgrund erheblicher physiologischer und verhaltensbezogener Heterogenität zwischen Individuen von entscheidender Bedeutung. Eine effektive Personalisierung wird jedoch durch die Knappheit, das Rauschen und die Fragmentierung nutzerspezifischer Daten behindert. Wenn individuelle Daten nicht ausreichen, um stabile Modelle zu trainieren, sind externe Daten notwendig; dennoch bleibt die Herausforderung bestehen, diese einzubeziehen, ohne die persönlichen Signale zu verzerren.

Bestehende Ansätze verlassen sich typischerweise auf eine Vorab-Training an Populationsdaten, gefolgt von einer Feinabstimmung, oder sie poolen Daten ausschließlich von Nutzern, die als „ähnlich" zum Zielindividuum eingestuft werden. Diese Strategien leiden unter zwei Hauptbeschränkungen:

Verzerrter Transfer: Die uniforme Behandlung aller externen Daten (Populationsvorab-Training) oder die Beschränkung des Transfers auf einen kleinen Kreis ähnlicher Nutzer ignoriert den potenziellen Wert unähnlicher Nutzer.
Verpasste Chancen: Unähnliche Nutzer, deren Daten möglicherweise informative Kontraste oder Gegenbeispiele kodieren, werden häufig ausgeschlossen. Dies führt zu einer begrenzten Abdeckung der populationsweiten Variation und verhindert, dass das Modell lernt, was der Zielnutzer nicht ist.

Die direkte Einbeziehung von Daten unähnlicher Nutzer ohne Anpassung kann die Genauigkeit durch die Einführung irreführender Muster verschlechtern. Es besteht ein Bedarf an einer Trainingsmethode, die externe Daten adaptiv nutzen kann, um nützliche Informationen zu übertragen und gleichzeitig schädliche Signale zu unterdrücken.

Methodik

Die Autoren schlagen ein einheitliches Personalisierungsframework vor, das ein persönliches Modell unter Verwendung von adaptiven Unterstützern trainiert, einer Gruppe, die sowohl ähnliche als auch unähnliche Individuen umfasst. Die Kerninnovation besteht in der Formulierung der Personalisierung als einzelnes Optimierungsziel, das Modellparameter und erlernte adaptive Gewichte gemeinsam aktualisiert.

1. Initialisierung der Unterstützer

Der Prozess beginnt mit der Berechnung von Ähnlichkeitswerten $s(u, j)$ zwischen einem Zielnutzer $u$ und allen externen Nutzern $j$ . Dies wird mittels Kosinus-Ähnlichkeit zwischen Nutzer-Embeddings erreicht, die aus einem Hilfs-Neuronalen Netzwerk abgeleitet werden, das auf gepoolten Populationsdaten trainiert wurde. Im Gegensatz zu harter Clusterbildung bleiben alle Nutzer als potenzielle Unterstützer erhalten, wobei anerkannt wird, dass sowohl hochähnliche als auch hochunähnliche Nutzer wertvolle Informationen liefern können.

2. Einheitliches Optimierungsziel

Das Framework minimiert eine zusammengesetzte Verlustfunktion (Gleichung 2), die aus drei Termen besteht:

Persönlicher Verlust ( $L$ ): Direkte Überwachung durch die eigenen Daten des Zielnutzers ( $D_u$ ), die die Spezifität für individuelle Muster sicherstellt.
Wissensübertragung von ähnlichen Nutzern: Eine gewichtete Summe der Verluste ähnlicher Nutzer ( $S(u)$ ). Der Beitrag jedes ähnlichen Nutzers wird durch einen festen Ähnlichkeitswert $s(u, j)$ und ein erlerntes adaptives Gewicht $\alpha_j$ moduliert. Dieser Term überträgt eine prädiktive Struktur aus übereinstimmenden Mustern.
Strafterm für unähnliche Nutzer ( $R$ ): Ein kontrastiver Regularisierungsterm von unähnlichen Nutzern ( $D(u)$ ). Dieser Term verwendet einen verlustbasierten Ansatz mit Margin, um zu verhindern, dass das persönliche Modell irreführende Muster übernimmt, die bei unähnlichen Nutzern vorkommen, und strukturiert effektiv den Repräsentationsraum, um den Zielnutzer von denen mit kontrastierenden Profilen zu trennen.

Das Ziel unterliegt einer Simplex-Bedingung ( $\sum \alpha_j = 1, \alpha_j \geq 0$ ), die einen normalisierten Einfluss sicherstellt.

3. Iterativer Optimierungsalgorithmus

Das Framework verwendet ein alternierendes Optimierungsverfahren:

Schritt 1 (Aktualisierung der Modellparameter): Bei feststehenden adaptiven Gewichten $\alpha_j$ werden die Modellparameter (gemeinsamer Encoder $\phi_{\theta_u}$ und personalisierter Kopf $g_{\theta_u}$ ) mittels Backpropagation aktualisiert. Gradienten aus dem persönlichen Verlust, dem Transferterm und dem Strafterm formen Encoder und Kopf auf komplementäre Weise.
Schritt 2 (Aktualisierung der adaptiven Gewichte): Bei feststehenden Modellparametern werden die Gewichte $\alpha_j$ basierend auf dem prädiktiven Nutzen jedes Unterstütznutzers aktualisiert. Eine Kostenfunktion $c_j$ wird berechnet, die den Vorhersagefehler bei ähnlichen Nutzern gegen die repräsentative Überlappung mit unähnlichen Nutzern abwägt. Die Gewichte werden dann via Softmax normalisiert, wobei Nutzern, die eine vorteilhafte Generalisierung oder einen informativen Kontrast bieten, ein höherer Einfluss zugewiesen wird.

Hauptbeiträge

Neudefinition von Unterstützern: Die Arbeit führt das Konzept von Unterstützern ein, die sowohl ähnliche als auch unähnliche Individuen umfassen, und argumentiert, dass unähnliche Nutzer sinnvolle komplementäre Informationen (kontrafaktische Struktur) liefern, die in früheren Arbeiten oft übersehen wurden.
Einheitliches adaptives Framework: Ein neuartiges Framework, das heterogene Unterstützerdaten integriert, indem es adaptive Beiträge erlernt. Dies ermöglicht es dem Modell, hilfreiche Signale selektiv zu nutzen und schädliche durch einen prinzipiengeleiteten Optimierungsprozess zu unterdrücken.
Empirische Validierung und Interpretierbarkeit: Umfassende Validierungen über sechs Gesundheitsaufgaben hinweg auf vier realen Datensätzen belegen die Wirksamkeit der Methode. Darüber hinaus bieten die erlernten adaptiven Gewichte Interpretierbarkeit und liefern handlungsrelevante Erkenntnisse für die gezielte Datenauswahl.

Experimentelle Ergebnisse

Das Framework wurde an vier realen Datensätzen zur digitalen Gesundheit evaluiert: Loneliness (Einsamkeit), Affect (Affekt), CGMacro (Glukosereaktion) und Globem (Schlafvorhersage). Die Leistung wurde mit sechs Baselines verglichen, darunter Populationsmodelle, rein personalisierte Modelle, fusionierte Modelle, transferbasierte Modelle, clusterbasierte Modelle und Modelle mit festen Ähnlichkeitsgewichten.

Leistungssteigerungen: Die vorgeschlagene Methode übertraf die Baselines konsistent. Auf großen Datensätzen (z. B. Globem) wurde eine um bis zu 10 % niedrigere RMSE erreicht. In Szenarien mit geringen Datenmengen waren die Verbesserungen noch ausgeprägter und erreichten etwa 25 % niedrigere RMSE.
Dateneffizienz: Experimente, bei denen der Prozentsatz der Unterstützer variiert wurde, zeigten, dass Modelle, die auf ausgewählten Teilmengen (die 10 % ähnlichsten und die 10 % unähnlichsten) trainiert wurden, oft besser abschnitten als Modelle, die auf der gesamten Population trainiert wurden. Dies validiert den Nutzen des Konzepts der „Unterstützer".
Architektursensitivität: Einfachere MLP-Encoder schnitten in Regimen mit geringen Datenmengen (Loneliness, Affect) besser ab als Transformer-Encoder, während die Leistungslücke mit zunehmender Datenverfügbarkeit (Globem) kleiner wurde.
Ablationsstudien: Das Entfernen entweder des Transferterms für ähnliche Nutzer oder des Strafterms für unähnliche Nutzer führte in vielen Aufgaben zu einer signifikanten Leistungsverschlechterung, was die Notwendigkeit beider Komponenten bestätigt. Ebenso führte die Verwendung fester Gewichte anstelle adaptiver zu einer geringeren Leistung, insbesondere in heterogenen Populationen.

Bedeutung und Behauptungen

Die Autoren behaupten, dass ihre primäre Bedeutung in der Verschiebung des Paradigmas der personalisierten digitalen Gesundheit liegt: weg vom Ausschluss unähnlicher Nutzer hin zu deren adaptiver Integration. Indem die Personalisierung als einheitliches Ziel behandelt wird, das persönlichen Verlust, positiven Transfer und kontrastive Regularisierung ausbalanciert, adressiert die Methode die fundamentale Herausforderung von Datenknappheit und Rauschen.

Die Autoren betonen, dass die erlernten adaptiven Gewichte einem doppelten Zweck dienen:

Leistung: Sie optimieren dynamisch den Kompromiss zwischen Generalisierung und Spezifität, was zu einer überlegenen prädiktiven Genauigkeit führt.
Interpretierbarkeit: Die Gewichte bieten einen transparenten Mechanismus zum Verständnis, welche externen Nutzer am meisten zum Modell eines bestimmten Individuums beitragen. Dies liefert praktische Leitlinien für Datenstrategien und legt nahe, dass die zukünftige Datenerhebung nicht nur den Zielnutzer, sondern auch jene Unterstützer mit hohen adaptiven Gewichten priorisieren sollte.

Die Arbeit schließt, dass dieser Ansatz eine genauere Überwachung und Empfehlung in der digitalen Gesundheit ermöglicht, indem er das gesamte Spektrum der populationsweiten Vielfalt effektiv nutzt, anstatt nur die ähnlichste Teilmenge.