مقاله نمونه گیری تامپسون برای نتایج شمارش تورم صفر با برنامه ای برای مطالعه سلامت سیار Drink Less

چکیده

Mobile health (mHealth) technologies aim to improve distal outcomes, such as clinical conditions, by optimizing proximal outcomes through just-in-time adaptive interventions. Contextual bandits provide a suitable framework for customizing such interventions according to individual time-varying contexts, intending to maximize cumulative proximal outcomes. However, unique challenges such as modeling count outcomes within bandit frameworks have hindered the widespread application of contextual bandits to mHealth studies. The current work addresses this challenge by leveraging count data models into online decision-making approaches. Specifically, we combine four common offline count data models (Poisson, negative binomial, zero-inflated Poisson, and zero-inflated negative binomial regressions) with Thompson sampling, a popular contextual bandit algorithm. The proposed algorithms are motivated by and evaluated on a real dataset from the Drink Less trial, where they are shown to improve user engagement with the mHealth system. The proposed methods are further evaluated on simulated data, achieving improvement in maximizing cumulative proximal outcomes over existing algorithms. Theoretical results on regret bounds are also derived. A user-friendly R package countts that implements the proposed methods for assessing contextual bandit algorithms is made publicly available at https://cran.r-project.org/web/packages/countts.

چکیده به فارسی (ترجمه ماشینی)

فن آوری های بهداشت موبایل (MHEALTH) با هدف بهبود نتایج دیستال ، مانند شرایط بالینی ، با بهینه سازی نتایج پروگزیمال از طریق مداخلات تطبیقی فقط به موقع انجام می شود.راهزنان متنی یک چارچوب مناسب برای شخصی سازی چنین مداخلات با توجه به زمینه های متغیر زمانی فردی ارائه می دهند ، و قصد دارند حداکثر نتایج مجاور تجمعی را داشته باشند.با این حال ، چالش های منحصر به فرد مانند مدل سازی نتایج شمارش در چارچوب های راهزن مانع استفاده گسترده از راهزنان متنی در مطالعات سلامت شده است.کار فعلی با استفاده از مدل های داده شمارش به رویکردهای تصمیم گیری آنلاین ، این چالش را برطرف می کند.به طور خاص ، ما چهار مدل داده شمارش آفلاین مشترک (پواسون ، دوتایی منفی ، پواسون با تورم صفر و رگرسیون دوتایی منفی با تورم صفر) را با نمونه گیری تامپسون ، یک الگوریتم راهزن متنی محبوب ترکیب می کنیم.الگوریتم های پیشنهادی با ایجاد یک مجموعه داده واقعی از نوشیدنی کمتر ، با انگیزه و ارزیابی می شوند ، جایی که به آنها نشان داده می شود که تعامل کاربر را با سیستم MHealth بهبود می بخشد.روشهای پیشنهادی بیشتر بر روی داده های شبیه سازی شده ارزیابی می شوند ، و دستیابی به حداکثر رساندن نتایج پروگزیمال تجمعی نسبت به الگوریتم های موجود.نتایج نظری در مرزهای پشیمانی نیز حاصل می شود.یک بسته بندی R کاربر پسند که روشهای پیشنهادی را برای ارزیابی الگوریتم های راهزن متنی پیاده سازی می کند ، به صورت عمومی در https://cran.r-project.org/web/packages/countts در دسترس است.