Detekce relapsů schizofrenie v programu ITAREPS

Abstract

Schizofrenie je jednou z nejzávažnějších psychiatrických poruch, která postihuje přibližně 0,5-1 % populace ve vyspělých zemích, s příznaky jako zkreslení reality, bludy a halucinace, má ničivý dopad na životy pacientů, jejich rodiny a okolí. ITAREPS (Information Technology Aided Relapse Prevention Programme in Schizophrenia) představuje řešení telemedicíny založené na týdenním vzdáleném sledování pacientů mobilním telefonem a zvládnutí onemocnění při schizofrenii a psychotických poruchách obecně. Zdravotníci dostávají upozornění, když se stav pacienta zhorší, což indikuje budoucí relaps. To umožňuje včas intervenovat a vyhnout se zbytečným hospitalizacím. Tato práce popisuje úsilí o zlepšení přesnosti detekce relapsu zavedením komplexnějšího návrhu klasifikátoru. Data byla získána z klinického programu ITAREPS. Data v souboru jsou nejprve označena, abychom vydělili dvě nevyvážené třídy a získali sadu dodatečných atributů, na základě nichž lze sestavit binární klasifikátor. Vymodelujeme klasifikátor založený na metodě gradient boosting, který je pak natrénován a vyhodnocen za účelem získání dostatečné senzitivity, aniž bychom přehlíželi méně reprezentovanou kritickou třídu.

Schizophrenia is one of the most severe psychiatric disorders affecting around 0.5-1 % of the population in developed countries, with symptoms such as reality distortion, delusions and hallucinations, it has a devastating impact on lives of patients and of their families, and surroundings. The Information Technology Aided Relapse Prevention Programme in Schizophrenia presents a mobile phone-based telemedicine solution for weekly remote patient monitoring and disease management in schizophrenia and psychotic disorders in general. Healthcare professionals receive alerts when the patient's condition worsens which indicates a future relapse, to enable early intervention and avoid unnecessary hospitalisations. This thesis presents an effort to improve relapse detection accuracy by introducing a more complex classifier design. The data is obtained from the ITAREPS clinical programme. The dataset is first labelled in order to extract two unbalanced classes as well as to extract a set of additional features upon which a binary classifier can be built. The classifier based on a gradient boosting machine is modelled, and then trained and evaluated with the aim of yielding sufficient sensitivity as to not overlook the under-represented critical class.}