Healthcare outcomes are commonly tracked across time owing to technological advances in wearable devices. This advance then makes it possible to predict health risks and to practice personalized medicine. For this type of healthcare data, it is important to reflect huge variation among subjects where the subject becomes an experimental unit. In this paper, we propose personalized analyses for two healthcare data, sleep-wake patterns, and heart rates. First, for sleep-wake patterns of shift workers measured with wearables, analysis is conducted by developing a computational package that simulates homeostatic sleep pressure –physiological need for sleep– and the circadian rhythm. This reveals that shift workers who align sleep-wake patterns with their circadian rhythm have lower daytime sleepiness, even if they sleep less. The alignment, quantified by the new sleep parameter, circadian sleep sufficiency, can be increased by dynamically adjusting daily sleep durations according to varying bedtimes. Our computational package provides flexible and personalized real-time sleep-wake patterns for individuals to reduce their daytime sleepiness. Second, for heart rate data of the cardiac surgery recovery unit, we extend a deep mixed effect model via a mixture of deep mixed effects models. It has been demonstrated that sharing information across subjects via a mixed effect model can improve the prediction of individual responses. However, sharing information across all patients can dilute signals when there are several different patterns present in the data. Our mixture of deep mixed effect models captures a highly nonlinear trend shared among segments of patients while clustering patients with similar trends into groups. Our approach shows great performance in simulation studies as well as real heart rate data analysis, emphasizing the importance of modeling group-specific trends when making accurate predictions from healthcare time-series data.
웨어러블 기기의 기술 발전으로 인하여 헬스케어 결과는 일반적으로 시간에 걸쳐 추적이 가능하다. 이러한 발전은 건강 위험의 예측과 개인 맞춤의학의 실현을 가능하게 한다. 이러한 유형의 헬스케어 데이터의 경우 실험 단위가 되는 개인간의 큰 차이를 반영하는 것이 중요하다. 본 논문에서는 수면패턴과 심박수라는 두 가지 헬스케어 데이터에 대한 개인화된 분석을 제안한다. 먼저 수면 패턴 연구의 경우, 교대근무자의 수면 패턴을 웨어러블을 사용해서 측정하고 이를 이용해 항상성 수면 욕구 (수면에 대한 생리적 욕구)와 일주기 리듬을 시뮬레이션하는 계산 패키지를 개발하여 분석을 수행한다. 이를 통해 수면 패턴을 자신의 일주기 리듬에 맞추는 교대근무자들이 잠을 덜 자더라도 주간 졸음이 덜하다는 것을 보여준다. 이러한 일주기 리듬과 수면의 정렬 정도는 새로운 수면 매개 변수인 일주기 수면 충분도에 의해 정량화할 수 있으며, 다양한 취침 시간에 따라 일일 수면 시간을 동적으로 조정함으로써 증가할 수 있다. 우리의 계산 패키지는 주간 졸음을 줄이기 위해 유연하고 개인화된 실시간 수면 패턴을 제공한다. 다음으로 심박수 연구에서는, 심층 혼합 효과 모형을 이용하여 수술을 받았던 환자의 심박수 데이터 자료에 있는 변동성을 잘 기술하는 예측모형을 제안한다. 혼합 효과 모형의 경우 피험자 간에 정보를 공유하는 것이 개별 응답의 예측을 향상시킬 수 있다는 것이 입증되었다. 그러나 데이터에 여러 가지 다른 패턴이 있는 경우 모든 환자의 정보를 공유하면 오히려 신호가 희석될 수 있다. 심층 혼합 효과 모형의 혼합은 유사한 추세를 가진 환자를 그룹으로 클러스터링하는 동시에 그룹간에 공유되는 매우 비선형적인 추세를 포착한다. 우리의 방식은 실제 심박수 데이터 분석뿐만 아니라 시뮬레이션에서도 우수한 성능을 보여주며, 헬스케어 시계열 데이터에서 정확한 예측을 할 때 그룹별 추세를 모델링하는 것이 중요하다는 것을 강조한다.
