Context-Aware Adaptive Medication Adherence Systems Using Lightweight Decision Models

Abstract

This thesis investigates the design of lightweight, context-aware decision models for medication adherence systems supporting chronic disease management. Medication non-adherence remains a major global health and economic burden, with the World Health Organization estimating that only 50% of chronically ill patients in developed countries adhere to their prescribed treatment. Building on a foundational 2023 meta-analysis of 29 randomized controlled trials, which shows that context-aware mHealth interventions outperform generic approaches by 72% (SMD = 0.664 vs. 0.386), this work őrst establishes a theoretical framework covering the deőnition, stages, types, and determinants of adherence, then reviews existing technologies, including pillboxes, connected sensors, mobile health applications, remote monitoring, and artiőcial intelligence. The state-of-the-art chapter compares recent studies (2020ś2026) employing reinforcement learning, LSTM/CNN forecasting, sensor fusion, and explainable AI. The comparative analysis identiőes two persistent gaps: the computational intrusiveness of cloud-dependent architectures and alert fatigue in polypharmacy contexts. The őndings show that effective next-generation systems must combine on-device privacy-preserving inference, incremental personalization, and context-sensitive notiőcation constraints, motivating the lightweight design proposed in this work.***

Cette thèse porte sur la conception de modèles décisionnels légers et sensibles au contexte pour les systèmes d’observance médicamenteuse destinés à la prise en charge des maladies chroniques. La non-observance médicamenteuse demeure un problème de santé publique majeur, l’OMS estimant que seulement 50 % des patients chroniques dans les pays développés respectent leur traitement. S’appuyant sur une méta-analyse fondatrice de 2023 portant sur 29 essais randomisés contrôlés, qui démontre que les interventions mHealth sensibles au contexte surpassent les approches génériques de 72 % (SMD = 0,664 contre 0,386), ce travail établit d’abord un cadre théorique couvrant la déőnition, les étapes, les types et les déterminants de l’observance, puis passe en revue les technologies existantes : piluliers, capteurs connectés, applications de santé mobile, télésurveillance et intelligence artiőcielle. Le chapitre consacré à l’état de l’art compare études récentes (2020ś2026) exploitant l’apprentissage par renforcement, la prévision LSTM/CNN, la fusion de capteurs et l’IA explicable. L’analyse comparative identiőe deux lacunes persistantes : l’intrusivité computationnelle des architectures dépendantes du cloud et la fatigue d’alerte en contexte de polypharmacie. Les résultats montrent que les systèmes efficaces de nouvelle génération doivent combiner inférence locale préservant la conődentialité, personnalisation incrémentale et contraintes de notiőcation sensibles au contexte, justiőant la conception légère proposée dans ce travail.