DeMMO：基于多任务学习的纵向与跨疾病数字移动性结果建模

# DeMMO：通过多任务学习实现数字移动结局的纵向与跨疾病建模
来源：https://arxiv.org/html/2608.25073

###### 摘要  
源自可穿戴传感器的数字移动结局（DMOs）能够刻画日常生活中的移动能力，为监测疾病进展提供了有前景的手段。然而，大多数DMO研究仅在单次就诊中考察单一疾病，未能对多变量DMO与多个临床结局在不同疾病间随时间演变的关系进行联合建模。从技术角度看，现有的时序多任务框架可以建模单一疾病内的进展过程，但无法跨疾病联合建模多个预测结局，尤其当疾病队列参与者不重叠时。为解决这些空白，我们提出了DeMMO——一个可解释的纵向、多疾病、多结局学习框架。DeMMO为每个疾病-结局目标定义了一个纵向DMO系数矩阵，并结合时序正则化与稳定且针对特定就诊的特征选择。其核心技术贡献在于自动化的跨疾病与跨结局关系学习机制，能够从这些纵向映射中直接学习带符号的关联关系，从而在无需配对参与者的情况下实现选择性信息共享。我们在近期发布的大规模多中心Mobilise-D数据集上评估了DeMMO，该数据集为研究多种行动受限条件下跨五次就诊的24个协调统一的真实世界DMOs提供了新机遇。针对九种强大的线性、纵向和深度回归基线方法，DeMMO在整体预测性能和特定结局预测上均取得最佳表现，相较于最强基线方法有显著提升。稳定性选择进一步识别出可靠的纵向DMO模式，可用于后续临床验证与疾病监测。实验代码与结果可在以下地址获取：https://github.com/menghui-zhou/DeMMO。

## 1 引言  
疾病监测通常依赖定期的临床评估，这些评估可能需要专业资源、依赖评估者判断，或受到回忆偏差与个体感知的影响（Delgado-Ortiz等，2023；Deane等，2014；Port等，2021；Prince等，2008）。间隔数周或数月进行的评估仅提供间歇性观测，可能遗漏渐进性、波动性或短暂性的变化（Babrak等，2019；Coran等，2020）。这些局限性对帕金森病（PD）、多发性硬化症（MS）、慢性阻塞性肺疾病（COPD）和股骨骨折（PFF）尤为重要，这些疾病给个人和社会经济带来沉重负担（Yang等，2020；Bouleau等，2022；Boers等，2025；Williamson等，2017）。移动能力反映了疾病的严重程度、进展、治疗反应和恢复情况，但简短的监督式测试仅测量个体**能够做什么**，而非他们**实际做什么**（Rochester等，2020）。例如，六分钟步行测试仅采样约0.06%的一周时间，无法代表日常移动的多样性。可穿戴传感器、低功耗计算和数字健康的进步为解决这一差距提供了手段。可穿戴惯性传感器可以长时间记录运动，而分析算法则将加速度和角速度信号转换为数字移动结局，即DMOs（Goldsack等，2020；Cerreta等，2020）。DMOs从运动量、模式、步速、节奏和变异性方面刻画日常步行，同时捕捉个体步行的**多少**与**如何**（Rochester等，2020；Kluge等，2021）。通过捕捉不同日期和情境下的步行段，DMOs提供了比间歇性临床评估更密集、更具代表性的纵向观测（Alcock等，2025）。大多数DMO研究通过相关性、线性模型或组间比较验证单个指标的横断面关系（Polhemus等，2021；Mikolaizak等，2022；Megaritis等，2026；Eckert等，2026）。纵向证据仍然局限于特定疾病且数量有限：PD、髋部骨折恢复和MS的研究分析了小规模纵向样本或仅少数预定指标（Mirelman等，2024；Engdal等，2024；Poleur等，2026）。因此，全面的DMO谱与多个临床结局之间的纵向关系仍不明确（Rábano-Suárez等，2025；Kirk等，2025）。一个主要障碍是缺乏大型、协调一致的纵向数据集，这些数据集需结合常见DMOs的重复测量与跨疾病的多个临床结局（Rochester等，2020）。早期资源通常是横断面的、特定于疾病的、传感和汇总方式异质的，或仅限于少数评估周期，阻碍了对稳定、就诊特异性和跨疾病DMO模式的系统研究。

图1：DeMMO概述。对于每个结局，针对特定就诊的系数将24个纵向DMOs映射到临床目标。DeMMO联合学习时序平滑映射以及疾病内和跨疾病的选择性关系。

近期发布的Mobilise-D数据集旨在填补这一空白（Mikolaizak等，2022；Rochester等，2020；Kirk等，2024）。它是涉及13个国家35个合作伙伴的重大欧洲公私合作计划产出的主要数据资源。该计划于2019年至2024年进行，总投资约为4990万欧元，其中欧盟贡献了2540万欧元。Mobilise-D首先通过一项涉及108名参与者（覆盖健康老龄化和五种行动受限状况）的独立多中心研究，验证了其传感器和分析流程的技术有效性。随后的临床验证研究（CVS）以前所未有的规模扩展了这一基础：来自PD、MS、COPD和PFF的2400名参与者接受了全面的临床评估，并在两年内以六个月为间隔分五次进行了为期七天的真实世界移动监测。已发布的资源结合了来自下背部传感器的协调步行段、每日和每周DMOs，以及临床测试、临床医生报告评估和患者报告结局。这种规模、纵向深度、跨疾病广度和标准化测量的结合，使Mobilise-D特别适合研究多变量DMO-结局关系在疾病进展和功能恢复过程中如何演变。分析这一资源需要识别相关DMOs中的稳定和就诊特异性效应，允许DMO-结局关系随时间演变，并学习跨结局共享结构，尽管其疾病队列包含不同的参与者。我们总结本文的主要贡献如下：

- • 技术贡献。我们揭示了现有时序多任务学习的一个根本局限：虽然它可以建模单一疾病内的进展，但无法跨疾病联合学习多个结局，更不用说适应非重叠队列。为克服此局限，我们引入了DeMMO，其核心是一种新颖的自动跨疾病和跨结局关系学习机制。它直接从纵向DMO映射中学习带符号的关系图，从而实现跨非配对队列的选择性知识迁移，同时保留结局特异性的时间演变和特征选择。
- • 实践贡献。我们填补了DMO研究中的一个重要空白，因为大多数研究仅在单一就诊中考察一种疾病，因此未建模疾病内和跨疾病的多变量DMO-结局进展。使用近期发布的Mobilise-D数据集，DeMMO联合研究了跨五次就诊和多种行动受限状况下的多个结局。针对九种强大且多样化的基线方法（涵盖常规线性、结构化纵向和最新深度回归方法），DeMMO始终表现出优越的预测性能，相对于最强基线方法有统计学意义上的显著提升。
- • 潜在临床贡献。我们应用纵向稳定性选择（Zhou等，2024；Fan等，2026）来识别稳健的、结局特异性的DMO模式。这推进了DMO研究的一个核心目标，即识别可靠的候选DMOs以供临床验证和疾病监测。关于DMO验证、纵向建模、多任务学习和疾病进展方法的进一步讨论见附录A。

## 2 方法
### 2.1 Mobilise-D纵向数据集
为将所提方法置于具体情境，我们首先介绍近期发布的Mobilise-D临床验证研究——一项关于行动受限人群的多中心纵向DMO研究（Mazzà等，2021；Mikolaizak等，2022）。该数据集包含互斥的PD、MS、COPD和PFF队列。参与者被安排进行五次就诊（T1,...,T5），随后佩戴身体惯性传感器进行真实世界监测。我们分析PD、MS和PFF；COPD被排除，因为选定的临床结局在T2和T4时不可用。我们使用过滤后的每周汇总数据，要求至少包含三个有效的监测日。每条记录包含24个描述步行量、段模式、步速、节奏和变异性的DMOs。质量控制变量n_days_w未用作预测变量。

表1：Mobilise-D分析数据集（要求有效目标值及所有24个每周DMOs完整观测）。N表示至少保留一次就诊的参与者数。
| 疾病   | 目标                | 总参与者数N | T1      | T2      | T3      | T4      | T5      | 总观测数 | 范围    |
|--------|---------------------|-------------|---------|---------|---------|---------|---------|----------|---------|
| PD     | H&Y分期             | 574         | 528     | 439     | 400     | 363     | 346     | 2,076    | 0–4     |
| PD     | MDS-UPDRS III       | 574         | 528     | 439     | 400     | 363     | 346     | 2,076    | 1–84    |
| MS     | EDSS                | 578         | 535     | 448     | 402     | 346     | 352     | 2,083    | 0–7.5   |
| PFF    | SPPB损害评分        | 469         | 418     | 358     | 282     | 146     | 108     | 1,312    | 0–11    |

我们考虑四个回归目标：PD的H&Y分期（PD H&Y）（Hoehn & Yahr, 1967）和MDS-UPDRS第三部分（PD MDS-UPDRS）（Goetz等，2008），MS的EDSS（MS EDSS）（Kurtzke, 1983），以及PFF的SPPB（PFF SPPB）（Bellettiere等，2020）。所有结局均保留其原始量表。由于更高的SPPB表示更好的功能，我们定义SPPB损害为12 - SPPB，使得更高的值一致地表示更严重的损害。无效值（包括MDS-UPDRS得分为-1）被视为缺失。在参与者-就诊水平上应用完全案例处理。仅当临床结局和所有24个DMOs均可用时才保留一条记录；不进行缺失值插补。参与者可以在任何可用的就诊中贡献记录，不要求完成全部五次就诊。表1总结了最终的数据集。由于失访、记录不可用、监测天数不足和临床评估不完整，样本量在各次就诊间递减。

### 2.2 纵向临床进展建模
我们首先考虑来自单一疾病队列的一个临床结局。这一简化设置在扩展至2.3节的多疾病和多结局模型之前，引入了纵向建模、时序正则化和DMO选择组件。在就诊t时，令\(\mathbf{X}_t \in \mathbb{R}^{n_t \times p}\)表示\(n_t\)条保留记录的DMO特征矩阵，其中\(p=24\)，并令\(\mathbf{y}_t \in \mathbb{R}^{n_t}\)包含对应的临床结局。与使用基线测量预测未来结局的传统进展模型不同，Mobilise-D在\(T=5\)次就诊中均提供了DMOs和临床结局。因此，我们将每次就诊的临床状态估计视为一个独立但相关的回归任务：
\[\mathbf{y}_t = \mathbf{X}_t \mathbf{w}_t + \bm{\epsilon}_t,\]
其中\(\mathbf{w}_t \in \mathbb{R}^p\)是就诊特定的系数向量，\(\bm{\epsilon}_t\)表示观测噪声。系数收集为\(\mathbf{W} = [\mathbf{w}_1, \ldots, \mathbf{w}_T] \in \mathbb{R}^{p \times T}\)。每列代表一次就诊时的DMO-结局关系，而每行描述一个DMO的纵向系数轨迹。我们使用平方误差回归，因为临床结局是数值分数。为防止样本量较大的就诊主导估计，损失在每个就诊内进行归一化：
\[\mathcal{L}(\mathbf{W}) = \sum_{t=1}^{T} \frac{1}{2 n_t} \left\| \mathbf{y}_t - \mathbf{X}_t \mathbf{w}_t \right\|_2^2.\]

##### 融合时序平滑性。  
我们使用融合Lasso建模时序平滑性，这是一种成熟的纵向生物标志物分析正则化方法（Zhou等，2012；Zhou等，2023b）。令\(\mathbf{R} \in \mathbb{R}^{(T-1) \times T}\)为一阶差分矩阵，其中\(R_{i,i} = -1\)，\(R_{i,i+1} = 1\)，其余元素为零。我们使用\(\Omega_{\mathrm{FL}}(\mathbf{W}) = \left\| \mathbf{W} \mathbf{R}^{\mathsf{T}} \right\|_1\)，这鼓励相邻就诊共享系数，同时保留时序局部变化。这种凸结构及其高效优化已在前期工作中确立（Zhou等，2012；Zhou等，2023b）。

##### 通过稀疏组Lasso进行DMO发现。  
遵循Zhou等（2011），我们使用稀疏组Lasso进行可解释的DMO选择。其逐元素项选择就诊特异性效应，而其逐行项选择整个纵向周期内的DMOs：
\[\Omega_{\mathrm{SGL}}(\mathbf{W}) = \lambda_L \|\mathbf{W}\|_1 + \lambda_G \|\mathbf{W}\|_{2,1},\]
其中\(\lambda_L\)和\(\lambda_G\)控制元素级和组级稀疏性。\(\|\mathbf{W}\|_{2,1} = \sum_{j=1}^p \sqrt{\sum_{t=1}^T w_{j,t}^2}\)鼓励整个纵向轨迹上一个DMO的系数共同趋于零，从而实现跨时间的一致性DMO选择。