Feature engineering of digital health data for machine learning prediction of COPD exacerbations in a real-world cohort

Technische Samenvatting: Feature Engineering voor de Voorspelling van COPD-exacerbaties

Probleemstelling
Exacerbaties bij chronische obstructieve longziekte (COPD) zijn een primaire drijfveer voor morbiditeit, mortaliteit en ziekenhuisopnames, maar effectieve modellen voor kortetermijnvoorspelling blijven beperkt. Hoewel digitale platforms voor zelfmanagement longitudinale gegevens genereren, hebben eerdere pogingen om exacerbaties te voorspellen met beperkte sets aan zelfgerapporteerde kenmerken slechts bescheiden precisie opgeleverd. Bovendien is het onduidelijk of het integreren van routinematig verzamelde gegevens over fysieke activiteit (bijv. staptellingen van polsdragers) aanvullende voorspellende waarde biedt bovenop symptoom- en gezondheidstoestandsgegevens. Deze studie adresseert de behoefte aan schaalbare vroege waarschuwingssystemen die het onderscheid kunnen maken tussen stabiele perioden en naderende exacerbaties met behulp van real-world digitale gezondheidsgegevens.

Methodologie
De studie maakte gebruik van een retrospectieve cohort van 5.865 gebruikers van het myCOPD digitale zelfmanagementplatform. De analyse richtte zich op twee cohorten: een primaire analytische cohort van 4.223 gebruikers met ten minste één gelabelde app-invoer, en een wearable-subgroep van 45ப்பு9 gebruikers met gekoppelde gegevens over staptellingen van polsdragers.

• Voorspellingsopdracht: Het model voorspelde of een exacerbatie (gedefinieerd als een symptoomscore van 3 of 4) zou optreden binnen de volgende 1–3 app-invoermomenten van de patiënt, in plaats van op vaste kalenderintervallen. Deze aanpak weerspiegelt een pragmatisch, door betrokkenheid gedreven gebruiksgeval.
• Feature Engineering: De auteurs gingen verder dan ruwe variabelen door een rijke, geëngineerde featureset te creëren.
  • Dynamische Features: Omvatten de huidige symptoomtoestand, vertraagde waarden (lagged values: 1, 2, 3, 7 invoermomenten), voortschrijdende samenvattingen (gemiddelden, standaarddeviaties) en afwijkingen van gepersonaliseerde baselines (berekend uit historisch stabiele invoermomenten).
  • Exacerbatiegeschiedenis: Features legden de recentheid en frequentie van eerdere gebeurtenissen vast (bijv. tellingen over 28/90 invoermomenten, tijd sinds de laatste gebeurtenis).
  • Klinisch & Betrokkenheid: Omvatte COPD Assessment Test (CAT) scores, medicijngebruik, belasting van pulmonale revalidatie en app-betrokkenheidsmetrieken.
  • Wearable Data: In de subgroep werden stap-count features vergelijkbaar met app-data geëngineerd, inclusclusief vertraagde waarden, voortschrijdende statistieken en afwijkingen van een persoonlijke stap-baseline.
• Modelleringsstrategie: XGBoost gradient boosting classifiers werden getraind met behulp van grouped nested cross-validation om patiëntniveau-scheiding tussen de trainings- en testsets te waarborgen (ter voorkoming van data leakage).
  • Primaire Cohort: Getraind op 547.465 gelabelde invoermomenten.
  • Ablatie-studie: In de wearable-subgroep werden twee identieke modellen vergeleken: één met enkel app-afgeleide features, en één met app-features plus stap-count features.
• Evaluatie: Prestaties werden geëvalueerd via Precision-Recall AUC (PR-AUC), ROC-AUC, precisie en recall. Drempelwaarden werden geoptimaliseerd om de F1-score te maximaliseren binnen de trainingsfolds, om een balans te vinden tussen sensitiviteit en positieve voorspellende waarde in een setting met een lage prevalentie (4,8% positieve klasse).

Belangrijkste Resultaten

• Prestaties Primair Model: In de hoofdcohort behaalde het model een gemiddelde PR-AUC van 0,284 en een gemiddelde ROC-AUC van 0,834. Bij de geoptimaliseerde drempelwaarde behaalde het model een gemiddelde precisie van 29,8% en een recall van 41,2%. Dit vertegenwoordigt een significante verbetering in precisie vergeleken met eerdere myCOPD modelleringspogingen (ca. 7% precisie) onder een strikter validatiekader.
• Voorspellingshorizonten: Positieve meldingen werden gevolgd door een zelfgerapporteerde exacerbatie in bijna 30% van de gevallen. De mediaan van de tijd tussen een positieve melding en de eerste exacerbatie-invoer was 5 dagen, waarbij 39,5% binnen 3 dagen en 56,0% binnen 7 dagen plaatsvond.
• Feature Belangrijkheid: De sterkste voorspellers waren symptoom-afgeleide variabelen (huidige staat, variabiliteit en vertraagde waarden) en recente exacerbatiegeschiedenis. CAT-afgeleide features en betrokkenheidspatronen droegen betekenisvol bij, terwijl statische klinische kenmerken (bijv. leeftijd, rookgeschiedenis) minder invloedrijk waren.
• Wearable Ablatie: In de wearable-subgroep leidde het toevoegen van stap-count features niet tot een materiële verbetering van de prestaties. Het app-alleen model en het app-plus-stappen model leverden bijna identieke resultaten op (bijv. PR-AUC 0,162 vs. 0,163; Precisie 0,214 vs. 0,214). Een beschrijvende trajectanalyse bevestigde dat afwijkingen in stap-counts slechts bescheiden en inconsistente verschillen vertoonden voorafgaand aan exacerbaties, vergeleken met de duidelijkere scheiding gezien in de CAT- en symptoomtrajecten.

Betekenis en Claims
De auteurs stellen dat deze studie de haalbaarheid aantoont van het schalen van exacerbatievoorspelling met behulp van routinematig verzamelde digitale zelfmanagementgegevens. De primaire bijdrage is de validatie dat geëngineerde representaties van symptoom- en gezondheidstoestands-trajecten de precisie van de voorspelling aanzienlijk verbeteren vergeleken met ruwe of beperkte feature sets, zelfs onder strikte validatie op patiëntniveau.

De studie concludeert dat zelfgerapporteerde symptoomsignalen die via digitale platforms worden vastgelegd, nuttige vroege waarschuwingen bieden van naderende exacerbaties. In tegen plaats claimen de auteurs dat de staptellingen van polsdragers, zoals vastgelegd in deze specifieke cohort en context, beperkte incrementele waarde bieden bovenop de rijke symptoom- en CAT-gegevens. De bevindingen suggereren dat voor deze specifieke voorspellingsopgave het "signaal" van een naderende exacerbatie sterker besloten ligt in de gerapporteerde symptoomlast en geschiedenis van de patiënt dan in hun fysieke activiteitsniveaus. De auteurs benadrukken dat het model functioneert als een systeem voor vroege waarschuwing op korte termijn, getriggerd door gebruikersbetrokkenheid, in plaats van een voorspeller op een vaste kalenderdag, en dat toekomstige bruikbaarheid afhangt van het vertalen van deze voorspellende signalen naar actieven klinische of zelfmanagement-interventies.