REPOZITORIJ > REZULTATI

Povzetek

Parkinsonova bolezen je druga najpogostejša nevrodegenerativna motnja na svetu. Simptomi vplivajo na različne vidike življenja pacientov, kar vpliva tudi na njihovo kakovost in na kakovost življenja njihovih družin. Med simptomi, ki jih čutijo bolniki s Parkinsonovo boleznijo, obstajajo velike razlike, kar velja celo za simptome istega bolnika v različnih obdobjih. Uporaba podatkovnega rudarjenja za analizo podatkov o Parkinsonovi bolezni lahko prispeva k identifikaciji podobnih bolnikov in uspešnejši terapiji in na ta način k bolj individualnemu zdravljenju, kar bo lahko pomagalo zdravnikom, da se bodo odzivali na stanje bolnikov z bolj personaliziranimi terapijami.
Zdravljenje Parkinsonove bolezni z namenom izboljšanja kakovosti življenja bolnikov ni dobro raziskana tema. V disertaciji se ukvarjamo z rudarjenjem podatkov za podporo pri analizi in nadzoru Parkinsonove bolezni z antiparkinsonskimi zdravili. Disertacija je razdeljena na tri dele, ki obravnavajo izboljšave opisnih modelov, združevanje bolnikov na podlagi podobnega poteka bolezni ter analizo najpomembnejših simptomov in sprememb zdravil.
Zdravniki cenijo kakovostne opisne modele, ki lahko razkrijejo zanimive in nepričakovane vzorce v podatkih. Pomembne komponente opisnega podatkovnega rudarjenja so pravila za razvrščanje in pravila za opisovanje zanimivih podskupin. Učenje pravil običajno poteka v dveh fazah: faza dopolnjevanja izbere pogoje za specializacijo pravila, faza izbora pravil pa med kandidati izbere končno pravilo. Medtem ko večina algoritmov uporablja isto hevristiko v obeh fazah, nedavne raziskave kažejo, da je uporaba dveh ločenih hevristik konceptualno boljša, saj izboljša pokritost pozitivnih primerov in lahko privede do večje napovedne točnosti. V nalogi predstavimo in ovrednotimo dva nova učna algoritma: DoubleBeam-SD za odkrivanje podskupin in DoubleBeam-RL za učenje klasifikacijskih pravil. Algoritma uporabljata dva ločena preiskovalna snopa in lahko uporabita različne hevristike za dopolnjevanje in izbiro pravil, s čimer se razširi iskalni prostor in omogoči iskanje kakovostnejših pravil. Eksperimentalni rezultati potrjujejo prednosti uporabe dveh ločenih hevristik pri izgradnji klasifikacijskih pravil. Pri odkrivanju podskupin je nekaj različic algoritma DoubleBeam-SD učinkovitejših od najuspešnejših sorodnih algoritmov. Razvite algoritme uporabimo tudi pri analizi podatkov o Parkinsonovi bolezni.
Pri zdravljenju Parkinsonove bolezni je nadzor bolnikovega stanja ključnega pomena za neodvisnost in kakovost bolnikovega življenja. To dosežemo z bolniku prilagojenim zdravljenjem, ki temelji na bolnikovih simptomih in anamnezi. V delu obravnavamo vprašanje določanja skupin bolnikov s podobnimi vzorci poteka bolezni ter podobnimi vzorci spremembe zdravil, ki vodijo k izboljšanju ali poslabšanju pokazateljev kakovosti življenja bolnikov. V ta namen predlagamo novo metodologijo za analizo kratkih časovnih vrst bolnikovih simptomov in podatkov o predpisanih zdravilih. Metodologija za analizo časovnih vrst uporablja preskočne n-grame za spremljanje poteka bolezni. Rezultati kažejo, da so motorični in avtonomni simptomi najinformativnejši za ocenjevanje kakovosti življenja bolnikov s Parkinsonovo boleznijo. V delu pokažemo, da lahko bolnike razdelimo v skupine glede na resnost simptomov. S spremljanjem razvoja simptomov za vsakega posameznega bolnika določimo vzorce sprememb zdravil, ki lahko privedejo do izboljšav ali poslabšanja kakovosti njihovega življenja.
Na podlagi določanja skupin podobnih bolnikov poskušamo izboljšati personalizirano zdravljenje bolnikov s Parkinsonovo boleznijo. Predstavljamo dva nova pristopa. Prvi algoritem analizira vpliv simptomov na potek Parkinsonove bolezni. Poskusi na podatkih PPMI (Parkinson Progression Markers Initiative) razkrivajo podmnožico simptomov, ki vplivajo na potek bolezni in so že obravnavani v literaturi o Parkinsonovi bolezni, pa tudi simptome, ki so jih začeli zdravniki šele nedavno obravnavati kot možne pokazatelje poteka bolezni. Druga novost je metodologija za odkrivanje vzorcev pri odmerjanju zdravil, ki temelji na bolnikovem stanju. Metodologija združuje večopravilno učenje dreves za napovedno razvrščanje (PCT) in analizo kratkih časovnih vrst za ugotavljanje, kdaj je potrebna sprememba zdravil. Eksperimenti na podatkih PPMI kažejo, da lahko z uporabo predlagane metodologije ugotovimo, da se zaradi sprememb zdravil pojavijo nekateri klinično potrjeni simptomi. V smislu napovedne točnosti se izkaže, da je večopravilni pristop z uporabo metode PCT primerljiv z naključnim gozdom, njegova prednost pa je interpretabilnost.