Mnohorozměrné metody identifikace klinických epizod z aktigrafie u bipolární afektivní poruchy

Abstract

Předchozí studie prokázaly vztah mezi aktivitami měřenými aktigrafií (míru aktivity, spánku a jejich fragmentaci) a klinickým stavem u pacientů s bipolární poruchou (BD). Hlavním cílem této studie bylo zjistit, zda se struktura kovariance mezi různými parametry aktigrafie liší u různých klinických stavů. Nejprve jsme zkoumali nesupervizovaný přístup založený na Toeplitzově inverzním kovariančním shlukování. Po komplexním vyhodnocení této metody na simulovaném souboru dat jsme zjistili, že je pro naše reálná data nevhodná, vzhledem ke krátkému trvání jednotlivých klinických stavů a nízké frekvenci vzorkování. Dále jsme zkoumali supervizovaný přístup k analýze změn kovarianční struktury při měnícím se klinickém stavu. Abychom porovnali prediktivní hodnotu kovarianční struktury navíc s mediánovou hodnotou a hodnotou rozptylu jednotlivých proměnných odvozených z aktigrafie, validovali jsme je celkem třemi přístupy. Použili jsme tři metody využívající metodu podpůrných vektorů (Support Vector Machine, SVM). Tyto metody založené na kovarianční matici (COV), mediánu a směrodatné odchylce (SD) hodnot aktigrafických znaků byly kombinovány se dvěma technikami redukce dimenzionality, analýzou hlavních komponent (PCA) a naší vlastní metodou (max-diff) založenou na maximálním rozdílu COV dvojic (nebo mediánů či hodnot SD) příznaků mezi klinickými stavy. K vyhodnocení těchto metod byly použity tři validační scénáře: leave-one-patient-out (LOOCV), který rozlišoval klinické stavy bez časové závislosti, a klasifikace každé časové řady v 7denním okně u všech pacientů a u jednotlivců zvlášť. K rozdělení trénovacích a testovacích souborů dat byly použity tři různé typy dělení: podle pacientů, stavů a času. Všechna tato ověřování odhalila, že rozlišení mánie-remise bylo snadnější než rozlišení deprese-remise. Výsledky také ukazují velkou variabilitu mezi jednotlivými pacienty. Za zmínku stojí, že při použití LOOCV bylo dosaženo průměrné přesnosti 72 % pro mánii a 67 % pro depresi pomocí metody SD s naší metodou redukce dimenze. Klasifikace časových řad v sedmidenním okně na souboru rozdělených dat od pacientů dosáhla nižší přesnosti, pro mánii pomocí metody SD hodnot s PCA 67 % a pro depresi pomocí COV PCA 59 %. Soubory dat rozdělených podle stavu poskytly výrazně lepší výsledky s přesností 85 % pro mánii a 59 % pro depresi při použití metody mediánu s výběrem diferenčních příznaků. Časově rozdělená datová sada, která byla nejvíce závislá, přirozeně vykazovala nejvyšší přesnost, 90 % pro mánii a 80 % pro depresi. V případě klasifikace v rámci každého pacienta zvlášť, zejména u mánie, dosáhly metody téměř vždy dokonalé klasifikace a u stavů deprese o něco nižší, ale stále poměrně solidní přesnosti kolem 81 %. Ačkoli kovarianční struktura proměnných odvozených z aktigrafie vykazuje změny mezi klinickými stavy u BD, její výkonnost nijak výrazně nepřevyšovala výkonnost srovnávaných metod, založených na mediánu a směrodatné odchylce jednotlivých proměnných.

Previous studies have established relationships between actigraphy-measured activities (amount of activity, sleep and their fragmentation) and clinical status in patients with bipolar disorder (BD). The main aim of this study was to investigate whether the covariance structure between different actigraphy parameters varies across different clinical conditions. First, we investigated an unsupervised approach based on Toeplitz inverse covariance-based clustering. After a comprehensive evaluation of this method on a simulated dataset we found it to be unsuitable for our real data due to short duration of the individual clinical states and low sampling frequency. Next, we investigated a supervised approach to analyse changes in covariance structure across changing clinical state. To compare the predictive value of covariance structure to that of median and variance of individual actigraphy-derived variables, we validated them with a total of three approaches. We applied three methods using a Support Vector Machine (SVM) classifier. These methods, based on covariance matrix (COV), median and standard deviation (SD) values of actigraphic features, were combined with two dimension reduction techniques, principal component analysis (PCA) and our own (max-diff) method based on the maximum difference of COV pairs (or median or SD values) of features between clinical conditions. Three validation scenarios were used to evaluate these methods: leave-one-patient-out cross-validation (LOOCV), which distinguished clinical states without time dependence, and classifying each time series in a 7-day window across all patients and for individuals separately. Three different types of distributions were used to partition the training and test data sets: patient, state, and time-based splits. All these validations revealed that the mania-remission was easier to determine than the depressionremission distinction. The results also show a high variability between patients. It is noteworthy that using LOOCV, an average accuracy of 72% for mania-remission and 67% for depressionremission was achieved using the SD method with our dimension reduction method. Time-series classification over a 7-day window on the patient-based split dataset achieved lower accuracy for mania using the SD value method with PCA of 67% and depression using the COV PCA of 59%. The state-split datasets provided significantly better results with 85% accuracy for mania and 59% for depression using the median method with diff feature selection. The time-based split dataset, which was the most dependent, naturally showed the highest accuracy, reaching 90% for mania and 80% for depression. In the case of classification, within each patient separately, especially for mania, the methods achieved almost always perfect classification, and of depression states slightly lower but still relatively high accuracy of around 81%. While the covariance structure of actigraphy-derived variables shows changes between clinical states in BD, the performance did not substantially exceed that of the compared methods, based on standard deviation and median of the individual variables.