Analýza adherence v dlouhodobém digitálním sledování symptomů schizofrenie

Abstract

Schopnost pacienta dodržovat doporučení předepsaná lékařem představuje klíčový předpoklad úspěšné prevence a léčby. V tomto kontextu se práce zaměřuje na definici a charakteristiku adherentního pacienta v rámci telemedicínského systému ITAREPS (Information Technology Aided Relapse Prevention in Schizophrenia). Systém slouží k prevenci relapsů u pacientů se schizofrenií. Ohrožení pacienta se vyhodnocuje na základě skóre získaného z pravidelných SMS dotazníků. Předpokladem jeho účinnosti je aktivní a dlouhodobá spolupráce pacienta v podobě zasílání těchto zpráv. Práce si klade za cíl pomocí vstupních proměnných předpovědět, kteří pacienti v systému setrvají dlouhodobě (alespoň 26 týdnů), a následně identifikovat ty, kteří systém užívají aktivně a vykazují vysokou míru adherence (nad 0,8). K tomu je využit klasifikační model logistické regrese, který se opírá o rozsáhlou explorační analýzu vstupních dat. Analýza odhaluje několik proměnných souvisejících se setrváním v programu, například přístup ošetřujícího lékaře, přítomnosti pečovatele nebo intenzitu pozitivních symptomů. Model predikuje setrvání s přesností 0,703. Pro predikci vysoce adherentních pacientů analýza neidentifikuje dostatečně silné predikční proměnné, ale navrhuje zlepšení modelu užitím dynamických proměnných získaných v prvních týdnech užívání systému. Práce také poukazuje na pozitivní výsledky s ohledem na zjištěné vysoké míry adherence. Zároveň přináší zajímavé zjištění, že pacienti s méně příznivým klinickým stavem využívají systém sice méně aktivně, avšak po delší dobu.A patient's ability to follow medical recommendations is a key prerequisite for successful prevention and treatment. In this context, the present thesis focuses on defining and characterizing an adherent patient within the telemedicine system ITAREPS (Information Technology Aided Relapse Prevention in Schizophrenia). This system is designed to prevent relapses in patients with schizophrenia. The risk of relapse is assessed based on scores derived from regular SMS questionnaires. The systems effectiveness relies on the patients active and long-term cooperation, specifically through the consistent submission of these messages. The thesis aims to predict, using input variables, which patients will remain in the system long-term (at least 26 weeks), and to identify those who actively use the system and show a high level of adherence (above 0.8). A logistic regression model is used, based on extensive exploratory data analysis. This analysis reveals several variables associated with long-term engagement, such as the physicians approach, caregiver involvement, and intensity of positive symptoms. The model predicts continued participation with an accuracy of 0.703. For predicting highly adherent patients, no sufficiently strong predictors were found; thus, incorporating dynamic variables from the first weeks of system use is proposed. The thesis also highlights positive findings regarding the observed high levels of adherence. An interesting observation is that patients with less favorable clinical conditions tend to use the system less actively, yet remain in it for a longer period of time.