Modelling and prediction of compliance in healthcare

Abstract

Compliance, often also referred to as adherence, describes the extent to which individuals follow prescribed monitoring or treatment regimens. In the context of mobile health applications, compliance emphasizes the agreement with recommended actions, while engagement highlights the dynamics and quality of ongoing user interaction with the system. Both concepts are dynamic and heterogeneous, shaped by personal, clinical, and contextual factors, which complicates prediction and limit the applicability of conventional machine learning approaches. This dissertation investigates compliance at two distinct stages of the care process: the stage of initial diagnosis, when baseline assessments are collected, and the stage of treatment, when patients interact longitudinally with mobile health systems. Across these stages, methods are developed and evaluated to capture, model, and predict compliance, with the objective of enabling early identification of non-compliance risk and supporting targeted interventions. At the diagnostic stage, the work examines compliance with a focus on the burden on patients during clinical examinations. Methods are introduced to quantify burden and to identify reduced sets of questionnaires that maintain predictive validity for clinical outcomes. Compliance-derived features, extracted from questionnaire completion patterns, are shown to improve the generalizability of outcome prediction models across clinical centers, even when datasets differ in scope and composition. These results show that compliance serves as a predictive feature, linking baseline data with later treatment behavior. At the treatment stage, the focus shifts to modeling dynamic user-app interaction data. The first set of methods segments longitudinal engagement into distinct trajectories, identifies transition points, and predicts the likelihood of users progressing or disengaging. Additional methods forecast temporary disengagements and subsequent re-engagements by modeling interaction sequences and abstracted behavioral patterns. The final set of methods introduces cluster-based and neighborhood-based strategies to predict the characteristics of future usage intervals, including their duration, structure, and content, by analyzing similarities to historical patterns observed in other users. Diagnostic-stage approaches are evaluated on clinical datasets from tinnitus centers, while treatment-stage approaches are assessed on large-scale, real-world self-monitoring datasets characterized by voluntary participation, heterogeneous behavior, and irregular sampling. The findings show that compliance can be represented in structured forms supporting interpretability and predictive performance. Baseline compliance indicators enhance outcome predictions, and engagement-based neighborhood models enable accurate forecasting of activity patterns. Across approaches, compliance-aware modeling improves robustness with sparse, noisy, and skewed data. This work positions compliance as a primary signal for modeling and intervention planning, with early and personalized predictions providing a foundation for proactive and resource-efficient decision making in digital health. The results have implications for chronic disease management, clinical trial monitoring, and the design of adaptive, compliance-aware mobile Health interventions.

Compliance, auch als Adhärenz bezeichnet, beschreibt das Ausmaß, in dem Personen vorgeschriebene Monitoring- oder Behandlungsabläufe befolgen. Im Kontext mobiler Gesundheitsanwendungen betont Compliance die Übereinstimmung mit empfohlenen Handlungen, während Engagement die Dynamik und Qualität der fortlaufenden Nutzerinteraktion mit dem System hervorhebt. Beide Konzepte sind dynamisch und heterogen, geprägt durch persönliche, klinische und kontextuelle Faktoren. Dies erschwert ihre Vorhersage und schränkt die Anwendbarkeit konventioneller Verfahren des maschinellen Lernens ein. Diese Dissertation untersucht Compliance in zwei unterschiedlichen Stadien des Versorgungsprozesses: dem Stadium der Diagnostik, in dem Basisuntersuchungen durchgeführt werden, und dem Stadium der Behandlung, in dem Patienten über längere Zeiträume mit mobilen Gesundheitssystemen interagieren. In beiden Stadien werden Methoden entwickelt und evaluiert, um Compliance zu erfassen, zu modellieren und vorherzusagen, mit dem Ziel einer frühzeitigen Identifikation von Risiken mangelnder Compliance und der Unterstützung gezielter Interventionen. Im diagnostischen Stadium liegt der Schwerpunkt auf der Belastung der Patienten während klinischer Untersuchungen. Es werden Methoden vorgestellt, um diese Belastung zu quantifizieren und reduzierte Fragebogensätze zu identifizieren, die den noch eine valide Vorhersage klinischer Ergebnisse ermöglichen. Aus Antwortmustern abgeleitete Compliance-Features verbessern die Generalisierbarkeit von Prognosemodellen über verschiedene Kliniken hinweg, selbst wenn sich die Datensätze in Umfang und Zusammensetzung unterscheiden. Diese Ergebnisse zeigen, dass Compliance selbst als prädiktives Merkmal dienen kann, das statische Basisdaten mit späterem Behandlungsverhalten verbindet. Im Behandlungsstadium verschiebt sich der Fokus auf die Modellierung dynamischer Interaktionsdaten zwischen Nutzern und Anwendungen. Die erste Gruppe von Methoden segmentiert langfristige Nutzungsmuster in unterschiedliche Verläufe, identifiziert Übergangspunkte und prognostiziert die Wahrscheinlichkeit fortgesetzter Nutzung oder Abbruchs. Weitere Methoden sagen temporäre Nutzungspausen und anschließende Wiederaufnahmen voraus, indem sie Interaktionssequenzen und abstrahierte Verhaltensmuster modellieren. Eine dritte Gruppe von Methoden führt clusterbasierte und nachbarschaftsbasierte Ansätze ein, um die Eigenschaften künftiger Nutzungsintervalle– einschließlich Dauer, Struktur und Inhalt– anhand von Ähnlichkeiten zu historischen Mustern anderer Nutzer vorherzusagen. Die diagnostischen Ansätze werden auf klinische Datensätze aus Tinnitus-Zentren angewandt, während die Behandlungsansätze auf großskaligen, realweltlichen Selbstmonitoring-Daten evaluiert werden, die durch freiwillige Teilnahme, heterogenes Verhalten und unregelmäßige Erhebung gekennzeichnet sind. Die Ergebnisse zeigen, dass sich Compliance in strukturierte Repräsentationen überführen lässt, die sowohl Interpretierbarkeit als auch Vorhersagequalität unterstützen. Indikatoren der Baseline-Compliance verbessern langfristige Outcome-Prognosen, und auf Engagement basierende Nachbarschaftsmodelle ermöglichen präzise Vorhersagen zukünftiger Aktivitätsmuster. Über verschiedene Ansätze hinweg steigert die Berücksichtigung von Compliance die Robustheit von Prognosen in Datensätzen, die spärlich, verrauscht oder schief verteilt sind. Diese Arbeit positioniert Compliance als zentrales Signal für Modellierung und Interventionsplanung. Durch frühzeitige und personalisierte Vorhersagen von Compliance-Verläufen schaffen die vorgestellten Methoden eine Grundlage für proaktive und ressourcenschonende Entscheidungsfindung in der digitalen Gesundheit. Die Ergebnisse haben Implikationen für das Management chronischer Erkrankungen, die Überwachung klinischer Studien und die Gestaltung adaptiver, compliance-orientierter mobiler Gesundheitsanwendungen.