Vizualizace a zpracování dat chronických pacientů

Abstract

Tato diplomová práce si klade za cíl analyzovat data pacientů s chronickými onemocněními a identifikovat podskupiny jejich populace, pro které lze poskytnout více personalizovanou léčbu pomocí nejmodernějších metod shlukování a hlubokého učení. Zaměřuje se dále na pacienty s chronickou závislostí na tabáku a poskytuje přehled nejnovějších přístupů v oblasti mobilního zdravotnictví (m-health) a hlubokého fenotypování. Pro tyto účely byl vytvořen vhodný datový soubor z databáze mobilní aplikace pro odvykání kouření s reálnými daty pacientů, o velikosti přibližně 5000 pacientů a 20 měřených, převážně sociodemografických, charakteristik. Dále jsou v rámci studie řešeny problémy spojené s prací s daty obsahujícími smíšené - numerické a kategoriální - proměnné jsou řešeny. Následně je představena technika pro získání vhodných reprezentací speciálního případu nominálních proměnných, pomocí trénování neuronových sítí. Jsou diskutovány nejnovější metody shlukování a redukce dimenzionality jako jsou Autoenkodéry a Variační Autoenkodéry. Poté je provedena explorativní analýza vytvořených datových sad, jejímž výsledkem jsou cenné popisné a grafické statistické informace o populaci závislých na nikotinu. Nakonec je populace rozdělena do shluků shlukovacími algoritmy, což umožňuje odhad digitálních fenotypů uvnitř jednotlivých shluků pacientů. V závislosti na různých hyperparametrech bylo identifikováno 7 až 8 dobře definovaných shluků, fenotypů, v populaci. Zjištěné digitální fenotypy umožňují budoucí zlepšení personalizované terapie a také poskytují hodnotnou zpětnou vazbu pro budoucí sběr dat pacientů skrz mobilní aplikaci.

This thesis aims at analyzing chronic patients data, trying to identify subgroups in the population for which a more personalized treatment can be provided, using state-of-the-art unsupervised clustering and deep learning methods. Focusing further on the patients with chronic tobacco addiction, overview of the latest m-health and deep phenotyping approaches is given. Suitable dataset is created from the database of smoking cessation smartphone application with real patients data, of cardinality of approximately 5000 patients with 20 measured, mainly sociodemographic, features. Issues emerged by working with dataset with mixed – numerical and categorical – variables are solved. It is done in rather innovative manner, proposing new technique of training Entity Embeddings for special case of nominal variables. Latest dimensionality reduction methods are discussed, namely the Autoencoders and Variational Autoencoders. Later the same is done for the clustering algorithms. Afterward, for the created datasets exploratory analysis is carried on, yielding valuable descriptive and graphical information about the patients population. Finally the patients are clustered, using algorithms. From the emerged patients clusters are estimated the digital phenotypes. Depending on the numerous hyperparameters 7 to 8 well defined clusters, phenotypes, were identified in the patients population. These results enable future personalized therapy improvements and provide valuable feedback for the patients data collection process.