Klasifikace dat z behaviorální úlohy u schizofrenie

Abstract

Schizofrenie je závažné duševní onemocnění, na které dodnes neexistuje univerzální léčba. Jedním ze široké škály možných příznaků je ztráta sebeuvědomění, jenž je považována za sjednocující symptom. Na tento charakteristický příznak projevující se už v raných fázích schizofrenie je zaměřena behaviorální úloha testovaná v rámci studie Early-Stage Schizophrenia Outcome. Smyslem této úlohy je rozeznat vnější zásah a podle toho se pohybovat kurzorem po dané části hracího pole. Na základě konzultací s odborníky z oblasti psychiatrického výzkumu byla vypočtena sada příznaků popisujících průběh řešení úlohy. Následně byl vytvořen binární klasifikátor využívající SVM, logistické regrese a lasso regrese podle vypočtených příznaků. Pro každý klasifikační algoritmus byly postupně upravovány hyperparametry. Přesnost klasifikace pomocí logistické regrese je 67,3 % s 82,0% sensitivitou a 69,1% specificitou. Tento výsledek není použitelný k diagnostice, bylo však poukázáno na důležité aspekty řešení úlohy. Bylo odhaleno, že pacienti jsou méně ochotní explorovat a při hraní úlohy jsou spíše zdrženlivější. V průběhu času ztrácejí soustředěnost a motivaci zdaleka více než zdraví jedinci. Procentuální úspěšnost řešení úlohy pacienta je korelována s jeho emočním stavem, neochotou spolupracovat či nedůvěrou, změřenou pomocí psychiatrických škál.

Schizophrenia is a severe mental illness that still nowadays lacks a universal treatment. One of a wide range of possible symptoms is a loss of self-awareness, which is considered to be an unifying symptom. The Early-Stage Schizophrenia Outcome Study includes a behavioral task designed to assess this specific symptom, which often emerges during the early stages of schizophrenia. The purpose of this task is to recognize a nonself influence and to move the cursor around a playing field accordingly. A set of features describing the process of solving the task was calculated in consultation with psychiatric research experts. Subsequently using the set of features, a binary classifier was constructed using SVM, logistic regression and lasso regression algorithm and their hyperparameters were adjusted. The accuracy of classification using logistic regression is 67,3 % with 82,0% sensitivity and 69,1% specificity. This result is not applicable for diagnostics, but important aspects of the problem were pointed out. It was revealed that patients are less willing to explore and tend to be more reticent when playing the task. Over time, they lose concentration and motivation far more than healthy individuals. The percentage of patients’ success in solving the task is correlated with their emotional state, uncooperativeness or distrust measured by psychiatric scales.