Abstract
衰弱（frailty）と機能低下は、高齢のがん患者における治療の忍容性および転帰に強く影響するが、評価は通常、まれな外来受診に限られている。多施設CARDIOCARE研究に登録された高齢の乳がん患者を対象に、受診間の衰弱に関連する機能変化を推定するための、マルチモーダルな装着型フレームワークを提案する。自由生活環境でのスマートウォッチの身体活動および睡眠の特徴と、胸部ストラップから得られるECG由来の心拍変動（HRV）特徴を組み合わせ、月3（M3）および月6（M6）のフォローアップに対応する患者ホライズンバッグ（patient-horizon bags）として整理する。我々の革新は、現実世界における欠測（missingness）と弱い教師（weak supervision）の下で、不規則でマルチモーダルな装着型インスタンスを融合する、注意機構に基づく複数インスタンス学習（MIL）の定式化にある。埋め込み次元128のモダリティ固有マルチレイヤパーセプトロン（MLP）エンコーダを用いた注意機構ベースのMILモデルは、長さが可変でかつ部分的に欠損した縦断インスタンスを集約し、FACIT-Fおよび握力について、離散化されたベースラインからの変化クラス（悪化、安定、改善）を予測する。被験者非依存の、被験者ごとに1名を除外する（leave-one-subject-out: LOSO）評価において、完全なマルチモーダルモデルは、握力でM3においてバランス精度/F1が0.68 +/- 0.08/0.67 +/- 0.09、M6において0.70 +/- 0.10/0.69 +/- 0.08を達成し、またFACIT-FでM3において0.59 +/- 0.04/0.58 +/- 0.06、M6において0.64 +/- 0.05/0.63 +/- 0.07を達成した。アブレーション結果では、スマートウォッチの活動と睡眠が衰弱に関連する機能変化に対して最も強い予測情報を提供する一方で、HRVはスマートウォッチのストリームと融合したときに補完的な情報を提供することが示された。
