Dlouhodobý aktigrafický záznam u bipolární afektivní poruchy: Zpracování, analýza a využití v diagnostice

Abstract

Bipolární afektivní porucha (BAP) je závažné mentální onemocnění, které postihuje 2 % světové populace a zkracuje život o 15 až 20 let. Tradiční léčba sestává z neustálé preventivní medikace a několika lékařských vyšetření ročně. To může vést k přehlédnutí mnoha klinických epizod, což může vyústit v nutnost hospitalizace a v extrémních případech i k sebevraždě pacienta. Propojení mezi cirkadiálními rytmy a průběhem BAP je studováno už léta. Nicméně až nové možnosti sdílení dat online umožnují dlouhodobé sledování pomocí autografu. Tato doktorská práce zpracovává tyto dlouhodobé záznamy, pomocí metod strojového učení a statistických analýz, za účelem rozšíření znalostí o BAP a jejích klinických epizodách s cílem ověřit možnosti jejich automatické detekce.

Bipolar affective disorder (BD) is a severe mental illness burdening 2 % of the global population, considerably shortening their lives by 15-20 years. The traditional treatment involves permanent medication and several examinations in a year. Thus, many clinical episodes are overlooked, which may lead to hospitalisation or even suicide. The links between changes in circadian rhythm and progression of BD are studied for years. But only the recent novel possibilities of continuous data sharing allow monitoring of circadian characteristics in the long-term by actigraphy wearables. In this thesis, statistical analysis and advanced machine learning concepts are applied to these data to deepen the knowledge about BD and its episodes and explore the feasibility of automatic episode detection.