Predikce funkčního vyústění schizofrenie z multimodálních dat

Abstract

Tato diplomová práce zkoumá potenciál multimodálních dat pro predikci dlouhodobých klinických výsledků u pacientů s první epizodou schizofrenie. Na základě dat ze studie ESO, která zahrnují demografické, klinické a neurozobrazovací informace ze tří časových bodů, jsme navrhli a vyhodnotili několik strojově naučených modelovacích přístupů. Analýza zahrnovala normalizaci zbytků za účelem odstranění vlivu matoucích proměnných, jako je věk, pohlaví a typ skeneru, a následně byla použita Supervizovaná PCA (SPCA) pro redukci dimenzionality. Prediktivní modely (Elastic Net, XGBoost, Random Forest) byly natrénovány na jednotlivých modalitách a kombinovány v ensemble rámci. Výsledky ukazují, že integrace více modalit a úprava za matoucí proměnné významně zvyšují přesnost predikce negativních symptomů, globálního fungování a kvality života. Tato práce podporuje využití datově řízených přístupů pro personalizovanou prognózu schizofrenie a zdůrazňuje důležitost harmonizačních technik v multisite studiích.

This thesis investigates the potential of multimodal data to predict long-term clinical outcomes in individuals with first-episode schizophrenia. Drawing on the ESO study dataset, which includes demographic, clinical, and neuroimaging data collected across three time points, we developed and evaluated multiple machine learning pipelines. The analysis included residual-based normalization to control for confounding effects of scanner type, age, and sex, followed by supervised principal component analysis (SPCA) for dimensionality reduction. Predictive models including Elastic Net, XGBoost, and Random Forest were trained on individual modalities and fused in an ensemble framework. Results showed that multimodal integration and confounder adjustment significantly improve predictive accuracy for negative symptom severity, global functioning, and quality of life. The findings support the feasibility of data-driven models for personalized prognosis in schizophrenia and highlight the importance of harmonization techniques in multisite studies.