歐盟人口增長最快的人群之一是65歲及65歲以上的人群，其中三分之二處于多發病狀態，即患有兩種或多種慢性疾病的庇隆族。醫學科學院在最近發布的一份報告中指出，多發病的無效治療是亟待解決的問題。作為歐盟H2020資助的名為ProACT的項目的一部分，我們位于愛爾蘭的IBM Research團隊正在與學術界和行業合作伙伴合作，以尋找新的方法來使用IoT，AI和云技術來增強自我管理功能和基于家庭的綜合護理適用于多發病患者（PwM）。

ProACT項目正在研究可穿戴式，家用傳感器和平板電腦應用程序如何用于幫助多種疾病患者及其支持者，其中包括非正式的照顧者（例如家人和朋友），正式的照顧者和保健專業人員（包括醫生和護士） ），應對包括慢性心力衰竭（CHF），糖尿病和慢性阻塞性肺疾病（COPD）在內的各種疾病。

該項目包括在愛爾蘭和比利時進行的涉及國家衛生服務的概念驗證試驗，其中許多患者配備了可穿戴和家用傳感器以及他們的支持人員。現在開始審判。病人正在學習使用ProACT CareApp，該軟件可匯總傳感器的讀數，并允許PwM及其支持人員監視其狀態，并建議針對自我管理需求的教育視頻和教程。ProACT CareApp的用戶界面是在PwM的參與下共同設計的，以確保易用性。我們研究的主要目標是使用收集到的數據來開發PwM 的整體模型，該模型可用于監視和預測PwM的健康狀況。

在ProACT的框架內，我們位于都柏林的健康與以人為本的知識系統團隊正在使用條件，生命力，自我報告和行為評估的數據，為患有多種疾病的人建立一個整體模型。該模型基于貝葉斯網絡，貝葉斯網絡是一種概率圖形工具，已廣泛應用于醫療保健決策支持中。它表示幾個變量之間的概率依存關系，這使一個變量可以知道其他變量的狀態來預測變量的最可能狀態。它使其成為解決多發病率挑戰的有前途的技術。

在我們的MIE 2018（歐洲醫學信息學）會議論文“ 使用貝葉斯網絡進行多發病管理的分析方法 ”中，我們介紹了稱為“健康與健康檔案生成器”（HWProfile）的分析方法，該方法正在ProACT試驗中進行測試。HWProfile是一種AI模型，旨在通過幾個相互聯系的維度來表示PwM：人口統計，醫學因素，自我報告和行為因素。通過傳感器和通過ProACT CareApp進行的自我報告調查表評估PwM的狀態。每日提問是一種收集各種自我報告信息的有價值的方法，例如，COPD和CHF的呼吸困難分數，情緒和焦慮水平或藥物依從性信息。

為了開發HWProfile模型，我們選擇了涵蓋各個方面的變量：健康/醫療，生活方式，心理，福祉，社交和行為，以及確定這些變量可以達到的值范圍。然后，該模型必須從結構的角度以及從數值的角度機器學習變量之間存在的條件概率關系。性別，年齡和患關節炎的人如何對跌倒的風險產生影響？對于患有COPD的女性，增加體育鍛煉對疼痛程度的預期益處是什么？這些是HWProfile可以幫助解決的問題。

我們使用從TILDA提取的數據訓練了模型，該數據是由Trinity College領導的對愛爾蘭老年人口的縱向健康研究收集的開放數據集。在TILDA的研究中，有8504名50歲以上的人參加了一次自我填寫的問卷調查，計算機輔助訪談和健康評估。為了在一個小模型上測試方法，我們的團隊從該數據集中選擇了12個變量，考慮了ProACT試驗涵蓋的目標人群和條件以及所使用的數據收集方法：血壓監測，量表，活動問卷。這個經過訓練的模型被用作開發HWProfile的基礎（見圖1）。

為了探索貝葉斯網絡模型，我們構建了一個直觀的交互式用戶界面。變量及其相關級別按顏色編碼類別分組（請參見圖1）。貝葉斯網絡顯示變量如何相互影響。對應于每個變量的離散概率分布通過交互式風險面板上的框進行分組（圖1的右側）。對于給定的變量，每個可能水平的邊際概率既以百分比形式表示，又通過背景中的水平條形圖表示。

用戶可以通過單擊級別為任何變量分配“已觀察”級別。然后更新整個邊際概率集以反映這些觀察結果。再次單擊觀察到的變量將其返回到未觀察到的狀態，并顯示邊際概率。右圖1顯示了Age（年齡）設置為“ 70以上”并且膽固醇水平設置為“大于5 mmol / L”后的界面。可以立即看到所有相關變量（例如高血壓）的概率結果變化。

HWProfile模型提供各種輸出，包括在進行新觀察時對所有未觀察到的變量進行概率估計。這些輸出可以反饋給ProACT系統的其他分析，包括目標和教育推薦器，警報系統和病情惡化監測器。我們的AI模型旨在利用ProACT范圍內的PwM上的所有可用信息，以提供有關其狀態的見解以及對自我管理和/或支持與關懷的建議。

我們的IBM研究團隊還開發了InterACT，這是ProACT框架內基于云的平臺。InterACT建立在IBM Cloud之上，它作為一組經過身份驗證的服務公開，以管理未標識的健康數據并協調數據提供者，數據分析（如之前提到的HWProfile）和數據使用者之間的協作。

未來的工作在于調查模型的臨床有效性。我們已經觀察到初步模型中與醫學文獻一致的變量之間的影響。進一步的發展還包括針對較大網絡的方法的性能分析，包含時間維和每個變量不同的采樣率。將結合在ProACT項目中開發的推薦系統周圍的其他工作來評估HW Profile模型。