Recommender Algorithm for Supporting Self-Management of CVD Risk Factors in an Adult Population at Home

📄 arXiv: 2405.11967v1 📥 PDF

作者: Tatiana V. Afanasieva, Pavel V. Platov, Anastasia I. Medvedeva

分类: cs.IR, cs.AI

发布日期: 2024-05-20

备注: 26 pages, 5 figures

期刊: Adv. Artif. Intell. Mach. Learn., 2024, 4 (3 ), pp.2434-2451

DOI: 10.54364/AAIML.2024.43142

💡 一句话要点

提出一种结合知识库与大语言模型的推荐算法，用于支持成人居家心血管疾病风险因素的自我管理。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 心血管疾病 风险因素管理 推荐算法 知识库 大型语言模型

📋 核心要点

  1. 心血管疾病是全球主要死因，现有方法在支持患者居家自我管理CVD风险因素方面存在不足。
  2. 提出一种结合规则逻辑与大语言模型的推荐算法，利用多维推荐模型和包含预测评估的用户画像模型。
  3. 实验结果表明，该算法能够有效支持成人居家自我管理CVD风险因素，并优于其他知识库推荐算法。

📝 摘要（中文）

本文提出了一种基于知识的推荐算法，旨在支持成人居家自我管理心血管疾病（CVD）风险因素，从而提高CVD预防的有效性，因为CVD是全球主要的死亡原因。该算法基于原创的多维推荐模型和新的用户画像模型，后者不仅包含官方指南中规定的当前健康状况，还包括CVD健康状况的预测评估。该算法的主要特点是将基于规则的逻辑与大型语言模型生成类人文本的能力相结合，用于多维推荐的解释性组件。验证和评估表明，该算法对支持成人居家自我管理CVD风险因素是有用的。与类似的基于知识的推荐算法相比，该算法评估了更多的CVD风险因素，并具有更大的信息和语义容量。

🔬 方法详解

问题定义：该论文旨在解决心血管疾病（CVD）预防中，如何有效支持成人居家自我管理CVD风险因素的问题。现有方法在评估风险因素的数量和生成推荐建议的信息量与语义丰富度方面存在局限性，难以提供个性化和易于理解的指导。

核心思路：论文的核心思路是将基于规则的知识库与大型语言模型（LLM）相结合，利用知识库进行风险评估和规则推理，并利用LLM生成更具人性化和解释性的推荐建议。这种结合旨在克服传统知识库推荐算法信息量不足和LLM缺乏医学知识的缺点。

技术框架：该算法主要包含以下几个模块：1) 用户画像构建模块：基于官方指南和预测模型，构建包含当前健康状况和CVD风险预测的用户画像。2) 多维推荐模型：基于用户画像和知识库，生成多维度的推荐建议。3) 解释性组件：利用LLM将推荐建议转化为易于理解的类人文本，解释推荐的原因和益处。4) 规则引擎：基于医学知识库，进行风险评估和规则推理，为推荐提供依据。

关键创新：该算法的关键创新在于将规则引擎与大型语言模型相结合，用于生成推荐建议的解释性组件。这种结合既保证了推荐的医学准确性，又提高了推荐的可理解性和用户接受度。此外，用户画像模型中包含CVD风险的预测评估，使得推荐更具前瞻性和个性化。

关键设计：论文中未明确给出关键参数设置、损失函数或网络结构的具体细节。规则引擎的设计依赖于医学知识库的构建，需要领域专家参与。LLM的选择和微调也需要根据具体的应用场景进行调整。用户画像中的CVD风险预测模型的选择和训练是影响推荐效果的关键因素，但论文中没有详细描述。

📊 实验亮点

该算法通过结合知识库与大语言模型，能够评估更多的CVD风险因素，并生成信息量和语义容量更大的推荐建议。与传统知识库推荐算法相比，该算法在提供个性化和易于理解的健康指导方面具有显著优势。具体性能数据和对比基线在摘要中未详细说明，有待进一步实验验证。

🎯 应用场景

该研究成果可应用于开发智能健康管理系统，为用户提供个性化的CVD风险评估和干预建议，帮助用户改善生活方式，降低CVD发病率。该系统可集成到智能手机应用、可穿戴设备或家庭健康监测设备中，实现远程健康管理和疾病预防。

📄 摘要（原文）

One of the new trends in the development of recommendation algorithms is the dissemination of their capabilities to support the population in managing their health. This article focuses on the problem of improving the effectiveness of cardiovascular diseases (CVD) prevention, since CVD is the leading cause of death worldwide. To address this issue, a knowledge-based recommendation algorithm was proposed to support self-management of CVD risk factors in adults at home. The proposed algorithm is based on the original multidimensional recommendation model and on a new user profile model, which includes predictive assessments of CVD health in addition to its current ones as outlined in official guidelines. The main feature of the proposed algorithm is the combination of rule-based logic with the capabilities of a large language model in generating human-like text for explanatory component of multidimensional recommendation. The verification and evaluation of the proposed algorithm showed the usefulness of the proposed recommendation algorithm for supporting adults in self-management of their CVD risk factors at home. As follows from the comparison with similar knowledge-based recommendation algorithms, the proposed algorithm evaluates a larger number of CVD risk factors and has a greater information and semantic capacity of the generated recommendations.