Individualizovaná detekce relapsu schizofrenních pacientů v programu ITAREPS

Abstract

Cílem práce je prozkoumat dostupná data z programu ITAREPS, který pomáhá přecházet hospitalizaci schizofrenních pacientů. Pacienti i jejich rodinní příslušníci během programu ITAREPS zasílají SMS zprávy s odpověďmi na 10 otázek, které se zaměřují na typické příznaky u pacientů trpících schizofrenií. Na jejich základě ITAREPS vyhodnocuje, zda se pacient zhoršuje a je tak podezřelý z hospitalizace. Práce se zaměřuje zejména na SMS posílané pacienty a rodinnými příslušníky. Díky pozorování posílaných SMS v čase je možné vypozorovat charakteristická období pro hospitalizované pacienty. Dále je zkoumána závislost jednotlivých otázek a také, zda existují shluky mezi pacienty dle zasílaných hodnot. Jedna z mála informací, které jsou známy o pacientovi při vstupu do programu, jsou jeho symptomy, proto se práce zaměřuje i na ně. Práce zkoumá závislosti mezi symptomy samotnými. Neméně zajímavou částí je hledání podobností mezi pacienty dle jejich vstupních symptomů. Nalezené shluky totiž pomáhají nalézt více individualizované řešení. Druhou částí práce je vyhodnocení úspěšnosti současného systému, který nastavuje globální prahy pro všechny pacienty stejné, a na základě znalosti dat navrhnout alternativní řešení, které více zohledňuje různorodost pacientů. Současný systém je vyhodnocen pro původní prahy, ale i pro nové nastavení optimálních prahů. Alternativní řešení k současnému systému využívá rozdělení pacientů do shluků dle symptomů a poté je použito lineárního klasifikátoru SVM. Klasifikátor je učen na několik sad dat tak, aby co nejvíce simuloval původní systém. Klasifikátor detekuje podezřelé pacienty z hospitalizace úspěšněji než současný systém s optimálními prahy. Práce nabízí jinou možnost, jak detekovat pacienty, kterým se zhoršuje stav a může jim hrozit hospitalizace.

The goal of this research is to analyze the data made available by the ITAREPS program. This program helps to prevent the need for hospitalisation of patients with schisophrenia. Here is how it works. On regular basis, the patients and their family members send SMSs with answers to 10 questions related to symptoms typical for patients with schisophrenia. Based on the answers provided, ITAREPS evaluates the patient's condition and anticipates their need for hospitalisation. This thesis is particularly focused on analyzing the SMSs sent by the patients and their family members. Thanks to the analysis, it is possible to identify characteristic periods for hospitalised patients. Additionally, all the questions are being examined to find any possible dependencies on each other. Last, but not least, all the answers are being analysed to determine any groups of patients with similar answer values. The most important factors when a patient is joining the program are their symptoms. Hence the focus of exploration is also directed to them. This research is looking for any dependencies on each other as well as dependencies between symptoms and number of hospitalisations before joining the ITAREPS program and during the ITAREPS program. It also helps us find dependencies between symptoms and number of hospitalisations before and during the ITAREPS program. We are trying to reveal any similarities between patients and their symptoms. Hereby identified groups could help to find more individualised solution. The next part of the thesis will focus on evaluating the effectiveness of the current system. The system is actually based on global thresholds which are the same for all patients. The goal here is to find a more individualized method which will take into account the diversity of patients. Once the current data has been evaluated, we can recommend new optimal thresholds. Another solution would be to sort the patients into groups based on their symptoms and then use the linear classifier SVM. This classifier works by using several sets of data in order to simulate the original system as much as possible. The SVM classifier identifies a patient's need for hospitalisation more effectively than the original system with optimal thresholds. In conclusion, this thesis offers alternative options to detect patient's deteriorating conditions in order to better prevent the need for their hospitalisation.