Dissertação
{en_GB=Using Markov Chains and Temporal Alignment to Identify Clinical Patterns in Dementia} {} EVALUATED
{pt=No setor da saúde, soluções que envolvem big data e métodos analíticos avançados tornam-se ainda mais importantes à medida que a complexidade dos pacientes, em termos de comorbidades, aumenta. Por sua vez, isto leva à necessidade de se criar um plano de tratamento mais integrado e centrado no paciente. Neste estudo, o foco está em detetar padrões chave de fenótipos e atividade clínica de pacientes com multimorbilidade que sofrem de Demência. Esta é uma doença que pode advir de diversos fatores com potencial para se tornar cada vez mais incidente à medida que a população envelhece. Nesta dissertação, apresentamos um conjunto de métodos que permitem identificar fenótipos chave e padrões de interações com consultas de especialidade, assim como estratificar a população de acordo com padrões semelhantes de interação com o hospital. Recorrendo a cadeias de Markov conseguimos identificar os tipos de consultas mais prevalentes, assim como as transições mais recorrentes entre especialidades. Com recurso ao algoritmo usado para a estratificação, nomeadamente o AliClu, identificámos com sucesso grupos de pacientes que apresentam padrões de atividade semelhantes, o que nos permitiu distinguir padrões de interação semelhantes dentro de cada agrupamento. Uma análise de fenótipos por cada conjunto obtido permitiu o reconhecimento de padrões que os diferenciam. Esta metodologia, em conjunto com dados demográficos e fenotípicos, tem o potencial de fornecer uma sinalização precoce da atividade clínica mais provável, servindo como ferramenta de apoio aos profissionais de saúde para decidir qual o melhor plano de tratamento, considerando uma abordagem centrada no paciente. , en=In the healthcare sector, solutions involving big data and advanced analytics become crucial as the complexity of a patient, in terms of their comorbidities, increases as well as the need for a more integrated and patient-centered treatment plan. In this work, we focus on understanding key phenotypes and clinical pathways of patients with multimorbidity suffering from Dementia, a disease that can result from very heterogeneous factors, having the potential of becoming more prevalent as the population ages. In this dissertation we present a set of methods which allow to identify phenotype patterns and to find recurrent patterns of medical consults within the entire cohort, as well as to stratify patients into subgroups that exhibit similar patterns of interaction. With Markov Chains we are able to identify the most prevailing medical consults attended by Dementia patients, as well as recurring transitions between different medical speciality consults. With AliClu clustering algorithm we successfully identify patient subgroups which present similar medical consult activity, identifyng similar patterns of interaction within these subgroups. A phenotype analysis per cluster obtained allows to identify distinct patterns and characteristics. This pipeline provides a tool to identify prevailing clinical pathways of medical consultations within the dataset, as well as the most common transitions between medical specialities. This methodology, alongside demographic and phenotypic data, has the potential to provide early signalling of the most likely clinical pathways and serve as a support tool for health providers on deciding the best course of treatment, considering a patient centered approach.}
dezembro 6, 2021, 9:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Susana de Almeida Mendes Vinga Martins
Departamento de Bioengenharia (DBE)
Professor Associado
