Characterising and Clustering Co-Occurring Morbidities and Medications in Child and Adolescent Mental Health

Abstract

Denne masteroppgaven fokuserer på å analysere elektroniske pasientjournaler (EPJ) til pasienter i Barne- og Ungdomspsykiatrisk Poliklinikk (BUP), med spesiell vekt på å karakterisere samtidige diagnoser og medisinbruk blant disse pasientene. Motivasjonen for forskningen er den økende forekomsten av psykiske lidelser blant unge mennesker og behovet for effektive verktøy for diagnostisering og behandling. Studien bruker mønstergjenkjenning og klyngemetoder for å identifisere mønstre og karakterisere pasientundergrupper med lignende diagnoser og medisinsk behandlingsforløp. I tillegg, diskuteres og vurderes den praktiske anvendeligheten av denne tilnærmingen for å karakterisere pasientundergrupper i BUP.

Resultatene bidrar til en dypere forståelse av samspillet mellom psykiske lidelser og medisinbruk hos unge pasienter. Funnene gir innsikt i farmasøytiske tilnærminger for å håndtere samtidige mentale diagnoser og bidrar til å karakterisere spesifikke pasientundergrupper basert på deres diagnoser og medisinbruk. Denne studien understreker potensialet i å bruke maskinlæringsteknikker til å analysere EPJer og kan bidra til innsikt rundt diagnoser og behandling innen psykisk helsevern for barn og ungdom.

This master's thesis analyses electronic health records of patients within the Child and Adolescent Mental Health Services (CAMHS) in Norway, with the primary focus on characterising co-occurring morbidities and medication usage among this population. Given the frequent co-occurrence of mental disorders, this research is motivated by the rising prevalence of mental health disorders in young populations and the need for effective tools for diagnostics and treatment. By leveraging pattern recognition and clustering methodologies, the study characterises distinct patterns and patient subgroups with similar diagnoses and treatment paths. The feasibility of this approach in distinguishing subgroups within the CAMHS population is explored and validated.

This research contributes to a deeper understanding of the interplay between mental health disorders and medication usage in young patients. The findings offer insights into the pharmaceutical approaches to managing mental conditions and aid in characterising specific patient subgroups based on their diagnoses and medications. Overall, this study highlights the potential of using machine learning techniques to analyse EHRs and contribute to the improvement of mental health care services for children and adolescents.