ATOPE+: Supporting Personalized Exercise Interventions in Breast Cancer Care using Mobile Technologies and Machine Learning

Abstract

Alleviating the burden of breast cancer has become in one of the biggest challenges of our times. The advances in surgery, radiotherapy, and systemic therapy have improved the survival rates of patients with breast cancer, but have also produced a higher number of patients suffering short- and long-term side effects, with high the risk of recurrence, developing comorbidities, and death. Therapeutic exercise poses a means to address this issues; however, exercise interventions in patients with cancer are often adhered to the same therapeutic exercise guidelines. This results in one-size-fits-all exercise prescriptions for all adults, regardless their individual exercise capabilities and needs, which may lead to inadequate training adaptation. The mobile health (mHealth) paradigm has enabled the remote and individual monitoring of health through wearable sensors and smartphones. Personalizing training adaptation with an mHealth approach has already been successfully conducted in sports settings, and the literature suggests that similar strategies may translated to patients with chronic conditions such as breast cancer. However, recent works do not target the adjustment of training doses to the individual needs of the patients. This thesis presents three contributions to support the personalization of therapeutic exercise intervention in patients with breast cancer. First, ATOPE+, an mHealth system to support the remote monitoring of patients’ training load through heart rate variability (HRV), self-reported wellness, and Fitbit physical activity and sleep data. ATOPE+ also integrates a decision-support system with expert rules that automatically trigger daily exercise recommendations for patients. Second, the ATOPE+Breast dataset, an open dataset describing the continuous evolution of training load during therapeutic exercise intervention for 23 patients with breast cancer. Third, a clustering approach to assess training needs in patients with breast cancer. Data science and artificial intelligence (AI) are leveraged in this approach to better understand the different states of the patient throughout an exercise intervention, and eventually serve as a tool to make more informed decisions when prescribing an exercise dose. The potential of these contributions may lead to new research directions in the personalization of therapeutic exercise interventions in real-life scenarios, specially regarding the application of mHealth and AI to improve chronic conditions.

Aliviar las secuelas del cáncer de mama se ha convertido en uno de los mayores retos de nuestros tiempos. Los avances en cirugía, radioterapia y terapia sistémica han mejorado las tasas de supervivencia en pacientes con cáncer de mama, pero también han traído consigo un elevado número de pacientes que sufren de efectos secundarios a corto y largo plazo, con elevado riesgo de recurrencia, de desarrollo comorbilidades, y de mortalidad. El ejercicio terapéutico se plantea como una solución para estos problemas; sin embargo, las intervenciones de ejercicio físico van normalmente dirigidas bajo las mismas guías de ejercicio terapéutico para pacientes con cáncer. Esto conlleva la entrega de la misma prescripción de ejercicio para todos los adultos, independientemente de sus capacidades y necesidades de entrenamiento específicas, lo que puede llevar a un mala adaptación durante el entrenamiento. El paradigma de salud móvil (mSalud) ha permitido la monitorización remota e individualizada de la salud a través de sensores vestibles y teléfonos inteligentes. La personalización de la adaptación al entrenamiento con tecnologías mSalud ya se ha llevado a cabo con éxito en entornos deportivos, y la literatura sugiere que estrategias similares se pueden trasladar a pacientes con condiciones crónicas como el cáncer de mama. Sin embargo, trabajos recientes se olvidan del ajuste individual de las dosis de entrenamiento a las necesidades de cada paciente. Esta tesis plantea tres contribuciones para la personalización de intervenciones de ejercicio físico terapéutico en pacientes con cáncer de mama. Primero, ATOPE+, un sistema mSalud para la monitorización remota de la carga de entrenamiento en pacientes con cáncer mediante la medición de variabilidad de la frecuencia cardíaca (VFC), bienestar autoreportado, y actividad física y sueño Fitbit. ATOPE+ también incluye un sistema de ayuda a la toma de decisiones que, mediante reglas expertas, entrega recomendaciones de ejercicio diarias para las pacientes. Segundo, ATOPE+Breast, un conjunto de datos abierto que describe la evolución continua de la carga del entrenamiento a lo largo de una intervención de ejercicio terapéutico para 23 pacientes con cáncer de mama. Tercero, un análisis, basado en algoritmos de agrupamiento, orientado a la evaluación de necesidades de entrenamiento en pacientes con cáncer de mama. La ciencia de datos y la inteligencia artificial (IA) permiten desde este análisis mejorar el entendimiento de los diferentes estados de la paciente a lo largo de una intervención en ejercicio físico, así como, en última instancia, servir como herramienta para tomar decisiones más informadas al preescribir dosis de ejercicio terapéutico. El potencial de estas contribuciones permite la apertura de nuevas líneas de investigación dirigidas a la personalización de intervenciones de ejercicio terapéutico en escenarios de la vida real, especialmente en la aplicación del mHealth y la IA en la mejora de condiciones crónicas.