【阅读论文】-- IDmvis:面向1型糖尿病治疗决策支持的时序事件序列可视化

在这里插入图片描述

IDMVis: Temporal Event Sequence Visualization for Type 1 Diabetes Treatment Decision Support

    • 摘要
    • 1 引言
    • 2 1 型糖尿病的背景
    • 3 相关工作
      • 3.1 时间事件序列可视化
      • 3.2 电子健康记录可视化
      • 3.3 1 型糖尿病可视化
      • 3.4 任务分析与抽象
    • 4 数据抽象
    • 5 层次化任务抽象
      • 5.1 临床医生工作流程的层次任务分析
      • 5.2 层次化任务抽象
    • 6 设计要求
    • 7 可视化设计
      • 7.1 14 天概述
      • 7.2 对齐
      • 7.3 详细视图
      • 7.4 汇总统计面板
      • 7.5 数据集成
    • 8 总结性评价
      • 8.1 参与者
      • 8.2 仪器
      • 8.3 方法论
      • 8.4 分析
    • 9 结果
      • 9.1 可视化综合数据
      • 9.2 识别趋势、模式和异常值
      • 9.3 治疗决策背后的推理
    • 10 讨论
      • 10.1 层次任务抽象的反思
      • 10.2 1 型糖尿病可视化设计指南
      • 10.3 数据可视化的经验教训
      • 10.4 局限性和未来的工作
    • 11 结论
    • 致谢
    • 参考文献


期刊: IEEE Trans. Vis. Comput. Graph.(发表日期: 2019
作者: Yixuan Zhang; Kartik Chanana; Cody Dunne

在这里插入图片描述

摘要

1型糖尿病是一种慢性、无法治愈的自身免疫疾病,影响着数百万美国人,患者的体内停止产生胰岛素,导致血糖水平升高。强化的糖尿病管理的目标是通过频繁调整胰岛素方案、饮食和行为来降低平均血糖水平。患者会收集手动记录和医疗设备数据,但这些多个信息来源以不同的可视化设计呈现给临床医生,导致时间推断困难。我们进行了一项为期18个月的设计研究,与临床医生进行了强化的糖尿病管理。我们提出了一种数据抽象和新颖的层次任务抽象方法,适用于这个领域。我们还研发了一种名为IDMVis的可视化工具,用于展示具有多维关联数据的时间事件序列。IDMVis包括一种通过双重哨兵事件折叠和对齐记录以及缩放中间时间轴的新技术。我们通过领域抽象、最佳实践以及与六名临床医生进行的定性评估来验证我们的设计决策。研究结果表明,IDMVis能够准确反映临床医生的工作流程。借助IDMVis,临床医生能够识别数据质量方面的问题,如数据缺失或冲突,当数据缺失时重建患者记录,区分不同模式的不同日子,并在发现差异后进行教育干预。
关键词:设计研究、任务分析、事件序列可视化、时间序列数据、定性评估、健康应用

1 引言

1 型糖尿病,也称为胰岛素依赖型糖尿病和青少年糖尿病,是一种自身免疫性疾病,困扰着 125 万美国人。 1 型糖尿病无法治愈,预计 1 型糖尿病患者的预期寿命会缩短 10 年以上 [23]。然而,通过适当的治疗,患者可以过上健康长寿的生活[58]。为了优化健康结果,患者需要定期与糖尿病护理团队会面[58]。临床医生与患者合作制定个性化治疗计划,并对他们进行糖尿病数据分析、适当营养和其他自我护理需求的教育。临床医生需要解析各种数据,从血糖水平到每餐的食物和胰岛素管理细节以及进餐时间。正确推理事件与血糖水平之间的相互作用是与患者一起设计有效治疗计划的关键。鉴于大量因素之间复杂的相互作用,有效的可视化对于帮助临床医生评估、推理、做出决策以及与患者沟通至关重要。

当前临床医生 1 型糖尿病管理工具侧重于显示点数据的时间事件序列可视化,有时与单独的间隔事件可视化并列 [15,19,49,54]。然而,不同的并置可视化不足以理解许多数据源之间微妙的时间交互。对于长且快速变化的时间序列,可能很难看到与感兴趣的事件相关的子集。许多可视化擅长通过精心选择的折叠时间尺度来揭示周期性或循环现象,但非周期性模式可能会被固定时间尺度所掩盖。当考虑具有不同散布间隙的序列中的多个事件对时,可能很难看到同时发生的事件之间关系的整体模式。这些问题因数据质量问题而变得更加复杂,例如数据丢失、传感器或手动日志的不确定性、不同时间粒度和准确性水平的源之间的不一致以及不正确的时间戳。

在这项设计研究[42]中,我们贡献:

  • 一种用于可视化设计的新颖的任务抽象形式,称为分层任务抽象,它将分层任务分析与任务抽象结合起来。
  • 临床医生进行1 型糖尿病数据分析以提出治疗建议的数据和任务抽象。
  • 设计和实施IDMVis,这是一种交互式可视化工具,可支持临床医生调整强化糖尿病管理治疗计划。 IDMVis 包括折叠和重新配置时间事件序列的技术;通过一个[57]或两个感兴趣的哨兵事件进行对齐,并缩放两个对齐事件之间的时间轴;以及叠加来自多个源的数据,以实现对不确定数据的时间推断。
  • 与临床医生一起对我们的抽象和 IDMVis 进行总结性评估,验证我们的方法并阐明可视化如何支持临床医生做出治疗决策。

2 1 型糖尿病的背景

1 型糖尿病是一种由胰腺 β 细胞逐渐破坏(胰岛炎)引起的自身免疫性疾病[58]。 β细胞负责产生调节血糖的胰岛素激素。如果β细胞不能产生足够的胰岛素,血糖水平就会升高,细胞就无法从血流中获取能量。如果未经治疗,患者将进入酮症酸中毒、昏迷状态,并最终死亡。 1 型糖尿病的唯一治疗方法是注射胰岛素,通常每天多次,并进行强化糖尿病管理 [58]。目标是降低平均血糖并将其保持在目标范围内,例如80–180 mg/dL(美国)或 4.4–10 mmol/L(英国和许多其他国家)[4]。在本文中,我们使用 mg/dL。血糖低于 70 mg/dL(低血糖)会使患者面临癫痫、昏迷和死亡的风险;血糖高于 180 mg/dL(高血糖)会增加大多数主要器官系统出现长期并发症的风险。

患者或其护理人员通过监测和调整血糖水平来接管 β 细胞的作用。通过每天使用血糖仪 (SMBG) 测试血液 4 次以上来进行监测[41],和/或通过插入身体脂肪 1-3 周的连续血糖监测仪 (CGM) 传感器进行更频繁的测量 [11]。为了降低血糖水平,通过胰岛素泵、注射器和笔将胰岛素注射到体内。为了提高血糖水平,需要消耗食物。

然而,血糖水平是由食物和胰岛素以外的多种因素的复杂相互作用决定的[10, 58],这使治疗变得复杂。在强化糖尿病管理(IDM)中[58],治疗计划将多个组成部分整合到患者的生活方式中,包括血糖监测、碳水化合物计数以将食物与胰岛素相匹配、体力活动的强度和持续时间以及自我调整胰岛素方案。两个常数——胰岛素与碳水化合物的比率和胰岛素敏感性——在一天和/或工作日的各个时间仔细滴定。这些常数以及其他因素(例如饮食选择和给药时间)每月或每周重新评估。患者通常以两种形式接受胰岛素:长效基础胰岛素和速效推注胰岛素。设计治疗计划时还需要考虑许多其他因素,出于篇幅考虑,我们不会在此列出。详细讨论请参见[40]。

为了做出基于证据的治疗调整,患者及其护理人员被要求开始在纸质或电子日志中监测全天的血糖水平和事件。日志通常包括餐前和餐后的血糖水平、注射的胰岛素量以及摄入的碳水化合物的克数。有时会记录影响血糖的其他因素,例如摄入的蛋白质和脂肪的克数、食用的特定食物以及疾病、运动强度和错误。所有条目均以手动或电子方式标记日期时间。此外,医疗设备数据可以通过桌面应用程序通过 USB 下载,也可以通过蓝牙自动下载到手机或网络应用程序。然而,设备的准确性差异很大,设备和日志中的数据通常不完整或错误。

需要经常拜访患者的糖尿病管理团队,以调整治疗、进行教育并确保治疗依从性。参与的临床医生通常包括经过认证的糖尿病教育者 (CDE)、营养师、内分泌学家和社会工作者。除社会工作者外,所有人都直接参与患者或其护理人员的广泛数据分析,这通常包括对收集的日志和设备数据执行 14 天的时间推理任务(参见第 9.2 节)。从我们的采访中(参见第 8 节),我们了解到,如果患者达到 HbA1c 目标,CDE 平均每三到六个月与患者会面一次。 HbA1c [58] 是一种常见的血液测试,用作糖尿病控制程度的指标。建议超出目标的患者每月甚至每周访问他们的 CDE。患者通常每年分别拜访一次和两次营养师和内分泌科医生。在临床访问期间,数据分析所花费的时间可能从 15 到 60 分钟不等。

3 相关工作

3.1 时间事件序列可视化

已经提出了许多用于可视化时间事件序列的技术。在这里我们讨论那些特别相关的技术。

将序列按时间折叠或拆分为周期单位(例如小时、周、月或年)可用于查找循环现象。折叠可以减少图案多样性,有利于视觉分析[17]。通过感兴趣的哨兵事件对齐序列可以帮助用户识别先兆事件、同时发生的事件和后效事件[57]。例如,通过调整治疗计划,对齐已成功应用于 LifeLines2 [57] 中的临床事件和 CareCruiser [20] 中。当按单个事件对齐时,我们可以在事件序列的折叠或重新配置单元之间保持一致的时间尺度。然而,探索两个独立的哨兵事件之间的顺序可能很有价值。当前的方法不支持多个哨兵事件对齐或在它们之间缩放时间线的技术。

同时完整地查看事件序列的多个折叠和对齐单元将需要相当大的屏幕空间。然而,聚合可能会掩盖快速变化和异常值。在这些情况下,概述和详细方法是有益的 [2, 45]。

许多感兴趣的时间事件序列都存在不完整性、不确定性(数据不确定性和时间不确定性 [1, 25] 以及来源​​之间的不一致问题)。为了克服这些障碍,我们的解决方案是将不频繁、准确的读数组合在同一个复合可视化中频繁、不准确的读数以及其他手动或自动记录的感兴趣因素。


要点:我们的研究建立在先前工作的基础上,通过使用长流多维、相互关联的数据的时间事件序列可视化来开发决策所需的技术。特别是,我们使用时间折叠[17]结合新颖的双哨兵事件对齐和时间缩放来支持有关事件之前、之间和之后的间隔的时间推断。


3.2 电子健康记录可视化

电子健康记录可视化通常与时间事件序列可视化的问题密切相关——患者的健康状态随着时间的推移而发生固有的变化。早期的方法侧重于单个患者并显示点事件和间隔事件,例如用于糖尿病数据的时间线浏览器 [13] 和用于个人病史的生命线 [33]。 KNAVE I [43] 和 II [44] 通过特定领域的抽象和本体增强了对患者记录的动态探索。对于多个患者记录或队列,VISITORS [26](继 KNAVE)和 LifeLines2 [57](继 LifeLines)提供聚合和队列分析可视化。

Rind 等人对电子健康记录可视化的综合调查。 [37]包括许多时间可视化。他们的分类法根据集成的数据类型对技术进行分组,其中我们使用分类数据和数值数据。我们的分类数据包括名义和序数分量,我们的数值数据包括间隔和比率分量 - 请参阅第 4 节和表 1。许多调查的系统通过单独的窗口或并置的可视化支持多个变量,特别是时间线浏览器除外 [13 ]。我们认为这不足以探索 1 型糖尿病数据中复杂的相互关系和不确定性。我们的工作重点是多元数据的叠加的不同可视化。

最近,Rind 等人。 [36]讨论了为时态电子健康记录设计可视化分析工具的困难,其中包括数据质量差和不确定性。数据清理或整理的一般技术超出了本文的范围。然而,我们希望我们的工作能够成为工具的基础,将有效的个人可视化带入患者、家人和临床医生之间的协作分析中。最终目标是通过利用个人可视化工具促进自我反思和回忆来提高数据记录的合规性、完整性和准确性[53]。


要点:在 1 型糖尿病的背景下,我们的工作重点是多变量数据的叠加的独特可视化,结合时间折叠和哨兵事件对齐,以促进数据的反映和重建。现有的个人电子健康记录可视化受到数据和领域场景的限制和/或不支持这些可视化方法。多个记录或群组可视化工具并不是为了促进这种个人可视化而设计的。


3.3 1 型糖尿病可视化

尽管有许多可用的电子选项,纸质糖尿病日志仍被广泛使用。日志通常按常见事件(例如用餐时间和就寝时间)排列为日期表。临床医生使用该表来了解这些事件之间和夜间的血糖趋势。

糖尿病医疗设备的数据通常通过供应商网络、电话或桌面应用程序查看。这些设备包括连续血糖监测仪 (CGM)、胰岛素泵、血糖仪、酮仪和支持蓝牙的胰岛素笔。例如,Dexcom CGM 数据可以在 CLARITY [15] 中查看,它提供了单日的小型多个时间序列、7 天叠加折线图(图 2)、14 天百分位图和汇总统计数据。串联胰岛素泵数据可以在 t:connect [49] 中查看,它一次显示一天或多天叠加,以及汇总统计数据。叠加多天时间序列的好处是可以在不改变视图的情况下进行直接比较[22]。然而,这些折线图可能会导致明显的视觉混乱和冲突[22]。叠加不同的视图可以回避这个问题[6]。

对每个数据源使用不同的应用程序执行时间推理具有挑战性。尽管在数据集成和可视化方面取得了一些进展,但设备互操作性和数据集成仍然存在问题[56]。现有的集成工具包括开源 Tidepool [54, 59] 和 Nightscout [51] 以及商业 Glooko [19]。这些工具结合了多种可视化效果:逐日散点图/表格、多日百分位图/箱线图、单日小倍数、汇总统计数据。每个都可以显示连续血糖监测仪、血糖仪和胰岛素泵数据。

此外,还开发了许多用于可视化糖尿病数据的研究原型,例如糖尿病数据。时间线浏览器 [13]——以及鼓励自我跟踪活动和反思——例如通过将膳食照片整合到时间线上 [18, 46]。最近,卡茨等人。 [24] 研究了各种可视化如何帮助用户反映 1 型糖尿病数据,并表明折线图有助于理解血糖测试的频率和变化,并且概述统计可视化可以帮助评估整体表现。


结论:过去 14 天数据的时间事件序列分析是糖尿病治疗的关键部分(参见第 9.2 节)。当前的糖尿病数据可视化工具无法提供从多个来源集成的事件序列的多日概述。它们也不支持哨兵事件对齐来识别前兆或后效事件。现有的叠加折线图混乱且难以阅读。


3.4 任务分析与抽象

任务分析:在 Diaper 和 Stanton [16] 详细介绍的多种类型的任务分析中,分层任务分析是一种流行的方法 [39]。它以分层方式整合了一组目标和低级任务,以帮助研究人员不仅了解必要的任务,而且了解目标和过程[5,38,39]。它已成功应用于健康应用,例如用于血友病护理[50]。

另一种流行的分析框架是认知工作分析[55]。它与层次任务分析相似,都涉及过程观察,但也有显着差异。鲑鱼等人。 [39]在理论上和方法上明确地比较了它们,并得出结论:认知工作分析基于对活动施加的约束来形成性地描述系统,而分层任务分析则使用目标、计划和活动规范地描述系统。得出的输出各不相同,但也具有高度互补性。在本文中,我们关注分析目标,因此使用层次任务分析。

任务抽象:可视化社区中有许多现有的任务抽象系统和方法。他们中的大多数专注于高层次或低层次的任务抽象[9,27,35]。然而,最近对 20 篇 IEEE InfoVis 设计研究论文的定性研究表明,大多数现有的任务抽象无法轻松地在高级目标和低级任务之间建立桥梁 [27]。一些抽象系统提到了任务的顺序和层次结构。例如,Springmeyer 等人。 [48]报告了应用层次结构和活动分解的科学数据分析过程的特征。 Brehmer 和 Munzner [9] 引入的任务抽象的多级类型学讨论了如何使用他们的类型学将复杂的任务组合成更简单的任务序列(为什么-什么-如何)。然而,这两种方法都忽略了对于理解分析过程至关重要的相关非可视化任务(例如参见第 5.1 节)。

我们没有提出可视化任务分类系统,而是提出了一种系统方法,通过将基于人机交互的分层任务分析与可视化任务抽象结合起来,使现实世界的问题和可视化设计更加接近:形成分层任务抽象


要点:有效的任务抽象需要将高级用户目标与其低级任务联系起来。在进行任务抽象之前,进行分层任务分析可以帮助可视化设计人员了解用户目标、流程和相互关联的任务。


4 数据抽象

1 型糖尿病患者记录的数据通常由日志和糖尿病医疗设备中带有日期时间标记的事件组成(更多详细信息,请参阅第 2 节)。对于本设计研究,我们重点关注表 1 中总结的更常见的收集数据。
在这里插入图片描述
来自设备的数据:CGM 数据为 1 型糖尿病患者提供近乎实时的血糖读数(每天约 288 个读数)。单个 CGM 数据样本是一个数字,单位为 mg/dL 或 mmol/L,以及相关的时间戳。基础胰岛素可以通过胰岛素泵使用速效胰岛素进行给药,也可以使用长效胰岛素进行注射——本文中的示例显示了来自胰岛素泵的数据。每个数据包含以单位/小时为单位的胰岛素输送速率,并关联速率开始和结束的两个时间戳。

日志中的数据:日志中的每个条目代表每日事件,例如早餐、午餐、晚餐或锻炼,记录在“事件标签”字段中并具有相应的日期时间值。对于不同类型的事件,特定类型的信息记录在日志中。例如,一顿饭将含有碳水化合物的克数和膳食内容。患者(或其护理人员)经常在事件中添加注释以解释测量或治疗中的异常情况。注释可以帮助以后对事件顺序进行反思和分析。

5 层次化任务抽象

在这里插入图片描述

5.1 临床医生工作流程的层次任务分析

我们强调分层任务分析的三个重要方面,这些方面可以使可视化领域受益:(1)任务层次结构,(2)任务序列和(3)任务上下文。

任务层次结构:任务层次结构提供了有关每个原子任务(不包含任何子任务的任务)的“大局”的见解,有助于确保我们始终考虑更高级别的目标。例如,如果原子任务是检查事件的详细信息,则工具提示可以完美解决问题。然而,如果父任务是推断总体血糖水平,则工具提示是远远不够的。

任务序列:由于任务之间往往存在依赖关系,因此可能存在所需的任务序列。例如,在推理数据之前必须先查看数据,并且在选择和检查异常值之前需要呈现概述可视化。因此,可视化工具不应简单地完成离散任务而不提供连续步骤之间的自然流程。集成任务序列信息可以帮助减轻用户的心理负担并提供更好的整体用户体验。

任务上下文:虽然许多抽象任务是相似的(例如发现模式和趋势、异常值的推理),但可视化工具通常在特定领域的上下文中使用。例如,我们正在设计一种诊所预约工具,其中患者和临床医生之间的沟通以及患者教育至关重要。我们不能简单地剥离特定领域的上下文,抽象为常见的数据可视化任务,然后针对这些任务进行设计。背景是关键。

我们对一名临床医生在就诊期间与 1 型糖尿病患者进行数据分析时进行了分层任务分析。我们的分析基于对 CDE、营养师和内分泌学家的情境调查 [7] 访谈。我们在多次会议中采访并观察了每位临床医生。后来,我们与六名临床医生一起反复完善和验证了我们的研究任务分析(见第 8 节)。图 3 显示了我们的分层任务分析图。

在就诊期间,临床医生的总体目标是帮助患者制定治疗计划并进行教育干预(任务 0)。临床医生收集并显示患者的可用数据(任务 1)。他们下载并打印每个患者医疗设备的报告(任务 1.1),并要求患者或其护理人员记录的任何糖尿病日志(任务 1.2)。请注意,我们将任务 1 包含在分层任务抽象图中,尽管它不是可视化任务,因为它对可用于分析的数据以及数据是否可以集成到一个可视化中施加了重要的约束。这进一步表明了设计要求(DR1)。

临床医生掌握了手头的数据后,他们会对事情的进展情况有一个总体印象(任务 2)。他们想要确定广泛的挑战/目标和严重程度(例如,始终很高、经常很低、不合规/错误/混乱)。他们通过扫描日常数据来做到这一点(任务 2.1)。然后,他们能够了解大多数血糖水平在范围内的“好”日子(任务 2.1.1)和出现大量高和低读数的“坏”日子(任务 2.1.2)。同时,他们可能会调查数据的质量(任务 2.2)。一般来说,他们识别缺失、不确定或错误的数据(任务 2.2.1)。如果存在数据质量问题,并且数据对于制定治疗计划或了解不遵守建议的情况是必要的,临床医生可能会要求患者使用可用数据作为指导来重建发生的情况(任务 2.2.2)。临床医生还会忽略任何可解释的异常情况,例如疾病、用户/设备错误或节日用餐(任务 2.2.3)。

随后,或者与任务 2 反复交织,临床医生推断患者的血糖水平(任务 3)。迭代以蓝色箭头和粗体文本显示。推理很复杂,需要多次操作才能达到目标。临床医生倾向于以不同的方式进行推理。临床医生经常寻找典型的“好”日子,以便提供积极的强化。临床医生还需要找到基线,以便在推理导致“糟糕”日子的原因时进行比较。临床医生执行的最常见任务包括检查事件的细节(任务 3.1)、探索血糖水平如何响应事件而变化(任务 3.2)以及了解两餐之间发生的情况以调查事件之间的相互作用(任务 3.3)。临床医生还评估亚日时间间隔的关键变量(任务 3.4),例如过去几周的基础和推注胰岛素量以及早上 6 点至 10 点之间摄入的碳水化合物。

最后,临床医生能够根据患者的评估和推理制定治疗计划。充分完成任务4和任务5需要丰富的专业知识和与患者合作的经验,因此不是本工作的重点。但我们的工具解决了这些任务的数据分析部分,并帮助临床医生与患者沟通并共同重建事件序列。我们用橙色线和粗体文本表示患者教育(任务 4)与其余过程的相互作用。

5.2 层次化任务抽象

基于层次任务分析,我们将领域任务转化为抽象形式,以了解领域情况之间的异同[3, 29]。我们应用 Lam 等人提出的框架。 [27] 生成最适合我们研究的任务抽象,因为我们的工作符合他们连接目标和任务的框架的目标。任务抽象集成在图 3 中。

6 设计要求

我们根据与临床医生进行的非正式定性用户研究和上面讨论的抽象来确定设计要求。

DR1。综合数据的复合可视化:临床医生通常需要分析来自多个来源(例如患者的设备、日志)的信息来执行时间推理。可视化集成、多维、相互关联的数据的设计对于提高诊所预约的效率和效果具有重要价值。

DR2。折叠时态数据的复合可视化:可视化应支持单日和 14 天集成数据的趋势识别。

DR3。对齐和缩放时间数据:临床医生应该能够推断为什么会发生特定的异常读数。他们应该能够发现进餐时间的模式和趋势,并识别先兆事件、同时发生的事件和后遗症事件。

DR4。摘要统计数据:临床医生希望了解关键变量(例如胰岛素注射量、碳水化合物摄入量)的分布,以帮助他们评估患者的状态和表现。设计应提供关键变量分布的摘要视图。

7 可视化设计

IDMVis 是一个基于浏览器的开源交互式可视化工具1,使用 JavaScript 和 d3.js [8] 构建。 IDMVis 的目标是帮助临床医生解释血糖测量值以及饮食、运动和行为的相关数据,以便准确推断血糖水平的波动。 IDMVis 允许临床医生与患者或其护理人员一起探索数据,以支持反思、协作数据重建和患者教育。

IDMVis的主界面如图1所示,包含(A)14天概览、(B)单日详细视图和(C)汇总统计视图。请注意,图 1 中的字母注释不是该应用程序的一部分。我们应用 Shneiderman 的图形用户界面设计指南“首先概述,缩放和过滤,然后按需提供细节”[45],因为它非常符合我们的设计要求。我们在 18 个月的时间里迭代设计了 IDMV,并定期咨询我们采访的同一位 CDE、营养师和内分泌学家,以创建初始的分层任务抽象。

7.1 14 天概述

概览面板占据了界面的主要部分,并集成了患者日志中的 CGM 数据和事件以支持 DR1 和 DR2。概述的目的是让临床医生能够快速、轻松地识别血糖趋势和模式,并提供通过哨兵事件对齐来推断血糖趋势的方法。默认情况下,概述显示 14 天的事件序列数据,因为它反映了临床医生的工作流程和惯例(请参阅第 9.2 节)。

为了最好地实现 DR1 和 DR2,我们使用复合可视化设计。我们叠加来自多个事件序列源的数据的离散可视化,以促进时间推理 [6, 22]。为了帮助临床医生识别跨天的趋势和模式,我们使用小倍数来划分按天折叠的数据[29]。我们不会将概览显示为连续的时间线,因为我们尊重数据的周期性,因为血糖水平通常每天都显示出相似的模式。我们也没有通过叠加多天来显示它,如图2所示,以避免不同天的混乱和干扰[22]。行排列还可以轻松地将天数作为小倍数进行比较。
在这里插入图片描述

我们的第一次设计迭代包括小倍数的可滚动视图,每个小倍数显示 SMBG 和 CGM 数据,并占用 1/4 的垂直屏幕空间。在咨询临床医生时,我们很快意识到,上下滚动列表的次数被证明是一个限制因素。我们的下一次迭代使用了小垂直尺度上的简化时间序列,以便屏幕上显示两周。因此,IDMVis 被设计为无滚动的单窗口应用程序。我们通过将图例移至“关于”页面来节省屏幕空间并降低信息复杂性(请参阅补充材料)。

每一天都显示在一行中,左侧有一个日期标签,后面是事件顺序。每个 CGM 读数都显示为排列在小垂直刻度上的点,用于适度指示血糖水平。血糖水平也使用颜色编码显示——这是主要编码。默认情况下,海绿色表示血糖的正常范围(70-180 mg/dL),紫色表示高于范围(超过 180 mg/dL),橙色表示低于范围(低于 70 mg/dL)。颜色的选择使得极端事件由于亮度的变化而突出。配色方案对色盲友好——我们通过色盲模拟器 Coblis 检查了颜色 [14]。临床医生可能希望为患者定制颜色和血糖阈值。作为一种渲染和人类表现优化,来自 CGM 的多个快速事件每五分钟合并为一个。由于血糖是一个平滑变化的变量,因此不会遗漏任何重要信息,并且每天的详细视图不会遗漏数据点。 Du 等人也将这一策略描述为“将重复点事件合并为一个”。 [17]。

患者日志中的每个事件都显示为蓝色三角形 [57],顶部顶点指示确切的事件时间。每个事件的鼠标悬停工具提示都会显示患者日志中的数据(任务 3.1)。此外,当鼠标悬停时,同一类型的所有事件(早餐、午餐和晚餐等)都会突出显示,而所有其他事件都会淡出(参见图 4)。
在这里插入图片描述

14天概述主要支持任务2.1。当呈现可视化时,临床医生可以扫描以了解事情的进展情况,并可以立即识别全天的广泛挑战/目标和严重程度。许多临床医生首先查看早晨的数据,因此可能将鼠标悬停在早餐事件上,可以立即看到所有突出显示的早餐事件,并了解患者何时吃(或不吃)早餐。如果他们在早餐前立即检查 CGM 数据或工具提示中的血糖水平数据,他们应该能够识别控制良好的早晨。这部分支持任务 3。但是,如果没有更高级的功能和协调的视图,临床医生可能无法轻松完成这些任务。因此,我们引入了几个促进时间推理的特征。

7.2 对齐

仅在概述中,临床医生就很难推断出各个事件类型以及它们之前和之后通常发生的事件。例如,为了检查早餐后接下来三个小时内血糖水平如何变化,临床医生必须在几天内搜索早餐以对其进行独立评估。几天内的比较需要了解事件的时间差异。

为了解决这个问题并支持 DR3,IDMVis 可以垂直对齐感兴趣的哨兵事件并将其着色为绿色以直接比较之前和之后的事件。我们介绍四种对齐方式:

单事件对齐垂直对齐每天所选哨兵事件类型的第一个实例,如 LifeLines2 [57] 中所示。对齐可以帮助检查血糖水平对事件的反应(任务 3.2)。它可以帮助比较每天相同情况(而不是完全相同的时间)的血糖模式。例如,患者可能在不同日期的不同时间吃午餐,或者完全不吃午餐。在午餐之前调整顺序有助于临床医生了解几天内的模式。如图5所示,我们可以看到下午的餐后血糖水平往往较高(紫色圆圈)。然而,现在每天的时间尺度都是单独的。
在这里插入图片描述

双事件对齐旨在进一步揭示两个哨兵事件周围和之间的事件顺序。对齐两个事件带来了独特的挑战,因为几天内两个事件之间的时间间隔可能不相同。如果我们强迫两个事件位于时间轴上的某些位置,时间尺度可能会扭曲。为了探索各种失真技术如何影响用户体验,我们提供了三种用于双事件对齐的时间缩放方案。如图 6 所示,每天的时间线每两小时标记一次,以便于解释而不会造成太多混乱。在双事件对齐中,我们将第一个标记事件放置在距离行左侧 30% 的位置,第二个标记事件放置在距离行左侧 70% 的位置。这为我们提供了足够的空间来使用我们的时间缩放技术来可视化事件之间的间隔(任务 3.3)。
在这里插入图片描述

左对齐时间缩放如图 6 (A) 所示。在该方法中,我们确定 14 天内两个哨兵事件之间的最长时间间隔。相关日的时间线被拉伸以填充事件之间剩余行的 40%。请注意,此时间尺度可能与该行外部 60% 的时间尺度不同。接下来,我们对每天的间隔使用相同的时间尺度,从第一个哨兵事件开始,以显示其后的事件序列。由于所有这些间隔的长度都等于或短于原始间隔,因此我们在间隔右侧有未使用的空间,我们用灰色条填充直到第二个哨兵事件。这可以防止对该期间是否存在数据丢失产生任何混淆。通过检查灰色条,临床医生可以了解哪一天的间隔最短(最长条)以及间隔长度的分布。

右对齐时间缩放,如图 6 (B) 所示,完成方式与左对齐缩放相同,只是两个标记事件之间的较短间隔在第二个事件处结束,而不是从第一个事件开始。这有助于显示第二个事件之前的事件序列。

拉伸时间缩放(如图 6 © 所示)是一种简单的方法,其中两个哨兵事件之间的间隔被拉伸以填充可用空间。这意味着间隔具有完全不同的时间尺度,与左对齐和右对齐方法不同,在左对齐和右对齐方法中,间隔都具有相同的尺度。然而,这种变化的适度指标是通过每五分钟发生一次的 CGM 点间距的变化来显示的。当重点不是持续时间而是事件序列时,拉伸时间缩放会很有用,因此我们提供尽可能多的空间来显示序列。

7.3 详细视图

点击感兴趣的一天,屏幕底部会弹出详细视图,如图1(B)所示。详细视图显示所选日期支持 DR1 的更多信息,包括 CGM 和 SMBG 读数、基础胰岛素率和推注胰岛素给药。 CGM 读数与概述中一样显示为彩色点,但具有更大的垂直轴,可以使用位置作为主要编码更有效地显示趋势。每个事件日志条目都表示为一个由 SMBG 读数定位和着色的三角形:橙色表示低,海绿色表示正常,紫色表示高,灰色表示无。

水平蓝线垂直排列以显示相对基础胰岛素率,但不是精确值,因为了解全天的变化比确切的率更重要。垂直红线显示由胰岛素泵上传或日志提供的推注胰岛素。每条线的高度再次表示所提供的胰岛素的相对量,但不是确切的量。与 14 天概览中一样,CGM 读数和事件日志的可视化被叠加,以便用户可以专注于同一视觉空间,从而轻松地跨多个数据源进行比较和解释 [22]。

7.4 汇总统计面板

为了完成 DR4 并支持任务 3.4 和 5,我们设计了一个汇总统计面板。我们最初的设计使用了 14 天的百分位图,但早期的采访表明,这不足以捕捉非周期性事件类型的变化。使用每种事件类型的汇总统计数据(中位数、标准差)、直方图和箱线图进行的后续迭代被认为不足以显示总体样本中的变化。我们选择了四分位数标记的小提琴图,因为它们通过显示分布的概率密度来改进箱线图 [21]。由于中位数和四分位数点不同,在多个小提琴图上对齐中位数和四分位数标签具有挑战性。为了进行比较,我们固定标签位置并将引导线绘制到绘图上的点。图 1 © 显示了最终的 14 天汇总统计面板,显示了按事件类型划分的胰岛素和碳水化合物摄入量的总体分布。顶部的小提琴图代表基础胰岛素和推注胰岛素的分布。中间的五个图显示了特定事件的胰岛素分布:早餐、午餐、晚餐、治疗糖和就寝时间。底部的五个图对应于这些事件的碳水化合物摄入量的分布。我们可以看到,晚餐是最丰盛的一餐,也是碳水化合物含量最多的一餐。因此,我们在调整晚餐胰岛素与碳水化合物的比例时可能要小心,因为微小的变化可能会产生巨大而多样的影响。

7.5 数据集成

IDMVis 可视化集成多个源的数据集。我们集成了来自 Tidepool [54] 和 Nightscout [51] API 的 CGM 数据、来自 Tidepool API 的胰岛素泵数据以及 Google Sheet 电子日志。我们的集成服务定期从这些来源提取数据到中央数据库中。请注意,该系统是为单个患者设置的,进一步部署需要修改。更广泛的数据收集技术,包括行为跟踪和全面的食物记录,不属于本工作的范围。

8 总结性评价

我们进行了总结性评估,以更深入地了解临床医生的工作流程和决策过程,以及 IDMVis 如何促进这一过程。

8.1 参与者

我们招募了六名临床医生,其中三名 CDE,他们也是注册护士 (RN);两名营养师;一名是 CDE、RN 和营养师。参与情境询问访谈的一名 CDE/RN 和一名营养师也参与了评估研究。我们在美国东北部的一个城市招募受试者。所有参与者定期对 1 型糖尿病患者进行强化糖尿病管理。表 2 列出了人口统计数据。他们作为 CDE 或营养师的平均执业时间为 17.2 年,标准差为 11.7 年。所有参与者均为女性——与 91% 的 CDE 为女性的国家调查结果一致 [60]。性别偏见实际上反映了注册护士(90%女性)[30]和营养师(90%女性)[12]的性别不平等问题。每位参与者都获得了一张 99.99 美元的礼品卡。
在这里插入图片描述

8.2 仪器

评估研究中使用的数据集来自最近诊断为 1 型糖尿病的患者(1 年零 4 个月)。我们对 CGM、胰岛素泵和电子糖尿病日志中的各种数据进行了去识别化和整合。日志包括带时间戳的 SMBG 读数、膳食碳水化合物计数和含量、运动和症状记录以及通过注射或泵输送的胰岛素量。

遵循临床医生现有工具的惯例(例如 Dexcom CLARITY [15]、Glooko [19] 和 Tandem t:connect [49]),我们在评估研究中为 IDMVis 使用了与上面介绍的不同的色标:绿色表示血糖正常范围 (70-180 mg/dL),黄色表示高于范围(超过 180 mg/dL),红色表示低于范围(低于 70 mg/dL)。我们所有的参与者都是女性,她们患红绿色盲的可能性较小,并且没有人报告有任何色盲。我们还开发了一个电子颜色编码的逐餐表来代表标准的临床表现。

8.3 方法论

我们在参与者的诊所会见了他们,并在同意后要求他们填写一份经过验证的研究前人口统计调查。该研究包括三个部分:(1) 使用每日膳食表进行数据探索,(2) IDMVis 教程,(3) 使用 IDMVis 进行探索性数据探索。

显示每日膳食表和 IDMVis 的顺序是平衡的,但教程始终先于 IDMVis。本教程使用了一组来自其余实验的可比较但不相交的数据。对于探索部分,我们平衡了另外两个不相交但可比较的数据集的呈现。即,一半参与者使用数据集 A,然后使用数据集 B,一半使用相反的数据集。在研究过程中,鼓励参与者像与患者一起工作一样分析数据并“大声思考”[47],即解释他们每时每刻所看到的、想到的、所做的和感受到的一切。目标是了解临床医生的反应、期望和决策过程,以制定和调整患者的治疗计划,以及 IDMVis 如何促进该计划。我们对这次会议进行了音频录制和屏幕录制。本次会议持续约40分钟。

然后,我们进行了半结构化访谈,了解他们对该工具的反应以及治疗调整的决策过程。我们对会议进行了录音。每节课持续约20分钟。整个学习过程持续了大约一个小时。

8.4 分析

我们将调查数字化并转录了所有录音。我们对转录文本进行了归纳定性分析[52]。第一作者进行了开放编码,并定期与第三作者会面,讨论和完善主题。

9 结果

总的来说,我们发现 IDMV 很好地反映了临床医生的工作流程。临床医生对于 IDMVis 在促进决策过程、数据重建和患者教育方面的总体反馈是积极的。临床医生还想向其他临床医生推荐 IDMVis 并在日常工作中使用它。在本节中,我们将按照诊所就诊的典型工作流程讨论定性分析结果和新出现的主题。

9.1 可视化综合数据

我们首先反思临床医生使用当前工具和工作流程的经验。临床医生在患者就诊期间执行的第一项任务是收集数据并将其显示给患者。他们下载并打印连接到患者监测设备的软件应用程序生成的报告。软件应用程序的选择可能会根据患者使用的设备和特定制造商的不同而有所不同,这会产生多组报告。

临床医生还需要查看患者的糖尿病日志。他们通过扫描数十页报告来寻找关键模式(例如,正常、低和高血糖水平;缺失的数据)。 P1 明确表达了她对当前工具在数据复杂性以及 IDMVis 如何帮助她方面的失望:“当我下载 30 页的 CGM,然后我有泵下载,然后我有计量下载,然后我有一本用钢笔写的老式日志本,我每次都会去看日志本……他们会在这里写下健身房的时间。这是他情绪低落的时候。这就是我们所做的。他们做笔记。因此,[IDMVis] 对我的作用是为我提供了一个合并笔记的地方。” IDMVis 给临床医生带来的最大改进之一是集成的数据及其有效的协调可视化集。临床医生能够更轻松地阅读、比较和推理数据,我们将很快讨论这一点。

尽管可视化集成数据得到了积极的反馈,但 P4 担心用户输入的负担。由于管理糖尿病本身需要大量工作,P4 提到新技术的设计应该“尽可能简单”并尽量减少用户输入。

9.2 识别趋势、模式和异常值

一个反复出现的主题是识别患者总体趋势和模式的能力(任务 2.1)。

概述支持识别血糖趋势和模式:大多数临床医生(P1、P2、P4、P5)表示,他们从 14 天概述中受益,因为此功能帮助他们了解全局,同时仍允许他们探索事件细节。 P3 强调了使用带有颜色编码的概述来了解过去两周总体趋势的价值。

我们发现我们选择的时间窗口(14 天)反映了当前的做法。所有临床医生都提到,他们通常会在临床就诊之前查看最后两周的数据。两周之内,患者往往还能回忆起“某一天发生的事情”。

然而,我们的编码选择限制了一些探索。临床医生希望区分膳食和其他类型的事件(例如疾病、运动),而不是将所有事件显示为相同的三角形。

小提琴图增加了对变异性的理解:四位临床医生(P2、P3、P5、P6)明确提到这些图有助于帮助他们了解所施用的胰岛素和碳水化合物的变异性。 P2 和 P6 都表示他们将比较基础小提琴图和推注小提琴图,并检查两种类型之间的标准比率。 P2 解释说:“当我查看基础与推注比例时,我们总是寻找略高于基础的推注比例,除非他们的饮食中蛋白质含量非常高。然后,你会看到丸剂和基础剂靠得更近。所以,我会用它来实现这个目的。”

一些临床医生(P1、P2、P6)还提到第二组小提琴图使他们能够发现两餐中摄入的碳水化合物的变化。 P6 描述了这些图对于做出治疗决策的价值:“……这些(小提琴图)非常有帮助。平均数很高兴知道他是否总是吃丰盛的早餐,他的数字很好,但如果他总是吃午餐,然后吃得很少,你可以比较这些…这是一个很好的可视化,可以看到哪里他的范围是。”

总的来说,这些发现表明小提琴图使临床医生能够了解基础与推注比例并识别胰岛素和碳水化合物的变异性。然而,我们注意到一些临床医生(P1、P2、P3、P5)表示不熟悉小提琴图。 P2 表示,她不确定小提琴图的有用性,而不是简单地呈现中位数和四分位数。她发现小规模的多餐胰岛素小提琴图对于她的目的来说是不必要的。

叠加可视化有助于识别数据质量问题:详细视图的叠加可视化帮助临床医生识别数据质量问题,例如数据丢失或冲突。一段时间间隔数据的缺乏通常会让临床医生感到担忧,并作为患者教育的起点。所有临床医生都表示,他们将询问患者有关缺失值的情况。 P1 使用详细视图发现了缺失的数据:“所以治疗糖[血糖]应该从这里上升,而不是下降。它下降了。一直往下,一直往下。在这条曲线恢复之前,需要治疗的糖应该就在这里。这是我关心的问题。这里缺少一些东西。” P1还表示,她会要求患者回忆当时发生的事情以及日志中遗漏了什么事件。

临床医生还能够识别数据冲突的问题。四位临床医生(P1、P2、P4、P5)提出了有关数据冲突的问题,并讨论了他们如何怀疑数据不准确。所有临床医生都注意到 CGM 读数有时与 SMBG 读数不匹配。这些问题很突出,因为他们期望 CGM 和 SMBG 应该紧密结合。临床医生似乎更有可能相信 SMBG 值(如果操作正确),因为它们往往更准确。 P5 明确描述了她的决策过程:“这很棘手,因为它们不匹配…但如果我正在做出决定,我使用哪些数据…你会知道他们的校准习惯是什么以及我们是否信任装置。但如果我纯粹在视觉上使用颜色,那么它可能会有点倾斜。我倾向于更多地依赖仪表 (SMBG),而不是 CGM,尤其是…”

总体而言,我们发现详细视图中的叠加可视化有助于临床医生识别数据质量问题,因为这些可视化允许用户轻松地跨数据源进行时间推理分析。

9.3 治疗决策背后的推理

详细视图可实现患者记录的协作重建:叠加的详细视图还可以帮助临床医生重建患者记录。为了了解缺失数据时令人不安的事件序列,临床医生需要询问患者特定一天发生的事情(例如,未记录的胰岛素、食物、运动、疾病)。 P6 试图使用细节视图重建事件序列:“……此时他感到情绪低落、颤抖。所以他们给了他一些碳水化合物,然后什么都不吃,因为他有点高了。体育运动检查… 体育后查看。然后他就没事了。然后下降得很低,可能是因为他那天去了健身房,然后又上升到很高,因为他们可能对他过度治疗了……”一位临床医生 (P1) 提到,重建患者记录的能力指向“与患者讨论的机会”家庭实际发生的事情”并了解“数字背后的内容”。这些发现表明,叠加的细节视图有助于临床医生深入了解患者过去的经历并重建患者记录。能够复述患者的经历可以进一步帮助他们确定令人不安的事件序列的原因并对患者进行教育。

哨兵事件对齐允许探索事件序列关系:临床医生以不同的方式与对齐特征进行交互。大多数临床医生(P1、P2、P4、P6)使用单事件对齐来寻找膳食一致性。营养师主要使用单事件对齐来为患者制定膳食计划。一位营养师 (P4) 解释了她将如何使用调整:“如果我们正在努力制定降低血糖指数早餐的目标,那么我可以在这样的计划中更轻松地证明这一点,而不是如果他们的早餐有变化的话就他们吃饭的时间而言……”

我们观察临床医生以不同的方式使用双事件对齐的三种变体。四名临床医生(P2、P3、P4、P6)与左对齐功能的交互频率高于其他两名。 P4 表示双事件对齐是最有用的功能,也是“最容易理解的”。一位临床医生 (P5) 强烈喜欢拉伸对齐,并认为它更直接,而 P1 没有表达对这些对齐选项的任何偏好。

临床医生双事件对齐的主要用途是检查饮食模式的变异性。例如,P6 解释道:“我喜欢能够看到如何分开并了解两餐之间的时间长度和时间……你不能告诉他们一天同时吃三顿饭。因此,了解这种变化是有帮助的……这会帮助你做好计划,因为你可能会因为他的饮食不规律而减少他的基础摄入量。”除了能够看到膳食变化之外,P6 还提到她如何使用双事件对齐通过识别事件顺序来区分具有不同模式的日期。她指出了工作日和周末之间的差异:“……因为差距没那么大。他经常吃东西,吃零食……我想学校有一个非常固定的时间表,他们有零食。他们有时会吃很早的午餐,非常有规律。但周末……他按需吃得更多……所以这是周六、周日,然后是周一。”

大多数临床医生认为前哨事件对齐非常有帮助,特别是,P4 提倡双事件对齐,并表示“最容易理解或看到的是对齐(两个)事件的能力,即使时间不一致。它只是有助于整合数据,或者至少在视觉上将这些数据排成一行,以便您能够进行这些调整。”但我们也观察到一位参与者(P1)认为与双事件对齐相比,单事件对齐更“有吸引力”且易于理解。

10 讨论

10.1 层次任务抽象的反思

在设计数据可视化工具时,选择能够解决目标用户现实问题的视觉和交互设计至关重要。任务抽象被广泛用于支持这一过程,将用户任务描述为与领域和接口无关的抽象任务,其设计最佳实践是众所周知的[28]。在 IDMVis 的设计过程中,我们发现仅靠任务抽象不足以捕获用户任务的更大目标和上下文。

为了解决这个问题,我们开发了分层任务抽象。我们提出分层任务抽象为一个三步过程:(1)理解领域用户的问题和数据; (2) 执行分层任务分析,以了解用户任务、目标以及任务之间的关系,作为更大分析过程的一部分; (3)抽象用户域任务。我们建议设计者另外执行数据类型抽象[28]。步骤(3)中使用的任务抽象框架可以是通用的或特定于领域的[35]——我们建议设计者为其领域和数据类型确定合适的框架。分层任务抽象可以利用现有的任务抽象框架并结合对用户任务、目标和流程的系统分析。

一旦构建完成,分层任务和数据类型抽象应该为视觉编码和交互设计提供信息。这些抽象可以通过更大的系统设计框架中的单独认知工作分析[55]来补充。应根据这些抽象来验证编码和设计。分层任务抽象还可以作为创建现实人类受试者研究的起点,其中领域用户上下文、目标、任务和过程在人工环境中尽可能保留。本文为未来的研究人员提供了如何为设计研究服务的分层任务抽象的示例。我们还相信可视化从业者可以通过将分层任务抽象集成到他们的设计过程中而受益。

为了说明分层任务分析在设计过程中的应用,请考虑任务 3.2。任务 3.2 表示临床医生需要“检查事件后的血糖水平模式”。任务 3.1-3.3 的抽象可视化任务是“检查相关数据以理解观察结果”。我们的第一个设计原型解决了这个抽象任务,让事件三角形鼠标悬停触发放大窗口,显示当天的事件后血糖水平。然而,当根据分层任务分析验证我们的设计时,我们意识到它并没有解决父任务 3 的“推理患者血糖水平”的问题,因为临床医生需要了解的不仅仅是一天中单个事件的影响。事实上,任务 2 和 3 之间的迭代相互作用需要同时设计这两个任务及其相关的抽象任务。因此诞生了 DR2(折叠时态数据的复合可视化)和 DR3(对齐和缩放时态数据),两者都指导了后续设计。

10.2 1 型糖尿病可视化设计指南

临床医生对 IDMVis 的反馈是积极的,他们能够有效地使用可视化。这至少部分是因为我们通过分层任务抽象考虑了临床医生工作流程和教育目标。我们建议未来的研究人员和从业者设计工具来帮助糖尿病临床医生利用和扩展我们的分层任务抽象和相关的四个设计要求。

一些额外的设计功能将有助于糖尿病临床医生。我们的参与者想要一种方法来区分用餐等活动的类型。用于对事件标记类型进行编码的潜在通道包括分类颜色和形状。标签也可以用在稀疏视图中,例如我们的详细信息面板。我们还注意到临床医生花费大量时间使用工具提示检查事件细节。为了支持查看多个事件详细信息,设计可以包括协调的表格视图、带有组织良好的引导线的标注、标签和直接的日常比较视图。

我们还在采访中了解到,临床就诊通常在很大程度上侧重于教育患者及其护理人员如何自行进行数据分析。黄金标准是患者/护理人员独立调整治疗计划,以更好地实现目标血糖目标。 IDMVis 可能适合患者使用,因为患者可能有类似的数据分析需求。然而,我们为受过高水平教育和培训的临床医生设计了 IDMVs,因此我们假设具备统计学和数据分析的基本知识。然而,患者/护理人员的健康素养和计算能力差异很大,并影响 1 型糖尿病的结局 [32, 34]。因此,在调整临床医生工具供患者使用时,设计者应考虑健康素养和计算能力。

10.3 数据可视化的经验教训

我们的参与者赞赏并能够在概述和详细面板中有效地使用多元数据的叠加的不同可视化效果。这为叠加不同视图可以提供的价值提供了进一步的支持[6]。分类和连续定量数据的叠加可视化也可能有助于治疗其他需要密集自我监测和治疗调整的慢性疾病,例如,慢性疾病。充血性心力衰竭。这对于调整职业运动员的训练计划也可能是有益的。

我们的研究还表明,糖尿病临床医生能够轻松使用和理解单事件对齐来比较相对时间。这证实了之前工作的指导方针,该工作通过四位计算机科学家的专家评审[20]并采访了一名注册护士、医生和两名护理人员[57]来评估临床医生工具的一致性。双事件对齐增加了系统的复杂性,需要仔细的设计考虑。我们的参与者对于他们喜欢的时间缩放比例存在分歧:左对齐、右对齐或拉伸。左对齐是最常用的,但设计者可能会考虑提供全部三种。

10.4 局限性和未来的工作

我们的分层任务抽象仅涵盖与数据分析相关的任务,并不包括临床医生工作的实质性部分。例如,认证糖尿病教育者考试内容 [31],附录 III,是多种多样的。此抽象不应用作临床医生整体就诊的模型。通过仅运行六名临床医生参与者,我们可能会过度概括我们的结果。理想情况下,我们至少有十名参与者,但招募这些专业人员具有挑战性。我们的研究使用了我们准备的两个数据集,而不是使用临床医生自己的患者数据。这保护了患者的隐私,但牺牲了一定的有效性。

为了更直接地比较无比对、单事件比对和双事件比对的三种变体,需要进行对照研究。此外,未来的研究可以考虑如何更直接地比较哨兵事件之前和之后的事件。

11 结论

我们在 1 型糖尿病临床医生决策支持领域进行了一项设计研究。我们提出层次任务抽象,通过结合层次任务分析和任务抽象来连接领域问题和可视化设计。使用这种方法,我们对临床医生在做出强化糖尿病管理治疗决策时使用的流程进行了分类,并确定了设计要求。我们贡献了 IDMVis 的设计——一种交互式时间事件序列可视化工具——它引入了时间折叠、通过双哨兵事件对齐数据以及缩放中间时间线的新技术。我们的评估发现,我们的方法与临床医生的工作流程很好地匹配,帮助他们识别趋势和模式,并促进细致入微的治疗决策背后的推理。

致谢

我们感谢美国国家科学基金会对 CRII 奖项的支持。 1755901 以及我们的审稿人和同事的反馈。

参考文献

在这里插入图片描述
在这里插入图片描述

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/364792.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Python逻辑控制语句 之 判断语句--if else结构

1.if else 的介绍 if else :如果 ... 否则 .... 2.if else 的语法 if 判断条件: 判断条件成立,执行的代码 else: 判断条件不成立,执行的代码 (1)else 是关键字, 后⾯需要 冒号 (2)存在冒号…

Unity扩展编辑器功能的特性

1.添加分组标题 用于在Unity的Inspector视图中为属性或变量组创建一个自定义的标题或头部,有助于在Inspector中组织和分类不同的属性,使其更易于阅读和管理。 [Header("Common Properties")] public float MouseSensitivity 5; public float…

15 个适用于企业的生成式 AI 用例

作者:来自 Elastic Jennifer Klinger 关于生成式人工智能及其能做什么(和不能做什么)有很多讨论。生成式人工智能(例如大型语言模型 - LLMs)利用从大量训练数据中学习到的模式和结构来创建原创内容,而无需存…

解决“Duplicate keys detected: ‘ ‘.This may cause an update error.”问题

问题原因 出现“Duplicate keys detected”的错误,通常表示在v-for指令中使的:key绑定值有重复。 如果前端是静态数据,一般能自我避免:key绑定值有重复。如果前端是绑定的动态数据,那么需要另外提供一个唯一的键。 在这个例子中&#xff0c…

Spring+Vue项目部署

目录 一、需要的资源 二、步骤 1.首先要拥有一个服务器 2.项目准备 vue: 打包: 3.服务器装环境 文件上传 设置application.yml覆盖 添加启动和停止脚本 ​编辑 安装jdk1.8 安装nginx 安装mysql 报错:「ERR」1273-Unknown collation: utf8m…

2024年【广东省安全员A证第四批(主要负责人)】新版试题及广东省安全员A证第四批(主要负责人)考试试卷

题库来源:安全生产模拟考试一点通公众号小程序 2024年【广东省安全员A证第四批(主要负责人)】新版试题及广东省安全员A证第四批(主要负责人)考试试卷,包含广东省安全员A证第四批(主要负责人&am…

岗位实习最终篇(汇总)——人力资源管理系统(包含DDL,DML,视图,简单/复杂查询,触发器语句和存储过程语句)

DDL CREATE TABLE users (user_id INT AUTO_INCREMENT PRIMARY KEY COMMENT 员工ID,username VARCHAR(50) NOT NULL UNIQUE COMMENT 用户名,password VARCHAR(255) NOT NULL COMMENT 密码,first_name VARCHAR(50) NOT NULL COMMENT 名,last_name VARCHAR(50) NOT NULL COMMENT…

聊聊如何制定互联网产品测试策略

提起互联网产品测试,给人的第一感觉那就是一个字“快”,相比于传统行业的软件,更新周期快的一个多月一个版本,慢的半年或一年一个大版本,从测试的角度出发,制定产品的测试策略侧重点有所不一样,…

OVS:网桥的状态:fail_mode模式

目录 1.创建一个普通的ovs网桥不做任何配置 2.检测fail_mode值,默认为空 3.创建netns并配置sto网桥的两个普通端口并配置IP信息 4.默认情况下的两个端口下挂两个虚拟机v3,v4天然通信-ping-ok 5.修改网桥的fail_mode为standalone,原来的通信没有影响 6.修改了…

LLM端侧部署系列 | 手机上运行47B大模型?上交推理框架PowerInfer-2助力AI手机端侧部署

0. 引言 黄梅时节家家雨,青草池塘处处蛙。 有约不来过夜半,闲敲棋子落灯花。 当下,在移动设备上部署大型模型的趋势是愈演愈烈。Google推出了AI Core,使得Gemini Nano可以在智能手机上部署。此外,近期传闻苹果在iOS …

ONLYOFFICE 8.1编辑器桌面应用程序来袭——在线全面测评

目录 ✈下载✈ 👀界面👀 👊功能👊 🧠幻灯片版式的重大改进🧠 ✂无缝切换文档编辑、审阅和查看模式✂ 🎵在演示文稿中播放视频和音频文件🎵 🤗版本 8.1&#xff1a…

MySQL中的redo log 和 undo log

undo log和redo log 先引入两个概念: 当我们做了一些操作 (update/delete/insert),提交事务后要操作MySql中的数据。 为了能够提升性能,引入了两块区域:内存结构和磁盘结构。 磁盘结构: 主要存储的就是数据页&#x…

【Mac】Auto Mouse Click for Mac(高效、稳定的鼠标连点器软件)软件介绍

软件介绍 Auto Mouse Click for Mac 是一款专为 macOS 平台设计的自动鼠标点击软件,它可以帮助用户自动化重复的鼠标点击操作,从而提高工作效率。以下是这款软件的主要特点和功能: 1.自动化点击操作:Auto Mouse Click 允许用户录…

阿里云智能编程助手的安装使用

https://help.aliyun.com/document_detail/2590613.html 通义灵码,是阿里云出品的一款基于通义大模型的智能编码辅助工具,提供行级/函数级实时续写、自然语言生成代码、单元测试生成、代码优化、注释生成、代码解释、研发智能问答、异常报错排查等能力&a…

【爬虫实战】今日头条-关键词搜索-快速整理出1w条数据

快速整理头条关键词数据工具,学习效率妥妥翻倍!!!本案例源码仅供学习参考! 项目功能简介: 1.可视化式配置; 2.任意关键词; 3.自动翻页; 4.支持指定最大翻页页码&…

Harmony OS UI框架探索笔记

本文探讨了如何将现有的常用架构理论与Arkts和ArkUI结合起来,使代码更有条理,并利用Previewer快速调整布局,同时在不改变代码的情况下运行显示真实数据。 开发环境 Windows 11DevEco Studio 4.0 ReleaseBuild Version: 4.0.0.600, built on…

Json与Java类

简介 JSON(JavaScript Object Notation)是一种轻量级的数据交换格式,易于人阅读和编写,同时也易于机器解析和生成。JSON数据由键值对构成,并以易于阅读的文本形式展现,支持数组、对象、字符串、数字、布尔值…

C++进修——C++核心编程

内存分区模型 C程序在执行时,将内存大方向划分为4个区域 代码区:存放函数体的二进制编码,由操作系统进行管理全局区:存放全局变量和静态变量以及常量栈区:由编译器自动分配释放,存放函数的参数值&#xff…

静态时序分析:ideal_clock、propagated_clock以及generated_clock的关系及其延迟计算规则(二)

相关阅读 静态时序分析https://blog.csdn.net/weixin_45791458/category_12567571.html?spm1001.2014.3001.5482 生成时钟 上一节中,我们讨论了理想时钟和传播时钟的创建和使用,本节将讨论生成时钟及其与理想时钟和传播时钟的关系。 图1所示的是一个简…

【2024最新版】图解Mysql数据库配置、命令行及Workbench访问(Windows版本)

目录 1. 准备工作1.1 安装MySQL1.2 验证MySQL的环境变量 2. 环境变量配置3. 访问MySQL3.1 命令行访问MySQL3.2 Workbench访问MySQL 1. 准备工作 1.1 安装MySQL 如果您已经安装了MySQL,请从【2. Mysql 环境配置】开始;如果您没有安装MySQL,请…