| dc.description.abstract | Store mengder kompleks og heterogen helsedata i elektroniske pasientjournaler gjør dataen utfordrende å analysere, og åpner for bruk av datautvinningsmetoder for få innsikt. Dataklynging er et pålitelig og effektivt verktøy for datautvinning, kjent for sin evne til å identifisere naturlige grupperinger og skjulte relasjoner i store datasett. Til tross for omfattende forskning på dataklynging i ulike domener, er bruken innen mental helse, spesielt i sammenheng med hyperkinetiske lidelser, relativt lite forsket på. Hyperkinetiske lidelser utgjør 29% av alle psykiske lidelser blant norske barn og ungdommer og er fokuset for denne masteroppgaven.
Denne avhandlingen dataklynger data hentet fra St. Olavs hospital i Trondheim for å identifisere undergrupper av hyperkinetiske pasientforløp innen psykisk helsevern for barn og unge. Eksperimentet består av tre deleksperimenter, der hvert deleksperiment bruker k-prototypes algoritmen til å dataklynge omsorgsepisoder og omsorgsperioder stegvis.
Det første dataklyngesteget identifiserer undergrupper av omsorgsepisoder. Deretter brukes disse undergruppene av omsorgsepisoder til å dataklynge omsorgsperioder.
Sluttresultatene skiller hyperkinetiske pasientforløp ved å identifisere tre undergrupper av omsorgsepisoder og fire undergrupper av omsorgsperioder. Disse undergruppene differensieres av pasientkarakteristikker som alder og kjønn, forløpslengde, diagnoser, kliniske ressurser og andre forløpsaspekter. Kort oppsummert utpeker noen pasientforløp seg som ''tradisjonelle'' hyperkinetiske pasientforløp basert på klinikeres erfaringer. Dette er ofte lengre omsorgsperioder med planlagte, polikliniske omsorgsepisoder. Andre pasientforløp utpeker seg ved å ha variert omsorgsperiodelengde, behov for øyeklikkeling hjelp og omsorgsnivå.
Delresultatene og de endelige resultatene evalueres gjennom dataklyngevalidering og ved å presentere resultatene til klinikere. Denne evalueringsprosessen muliggjør tolkning av resultatene og sikrer klinisk relevans. I tillegg muliggjør evalueringen av delresultatene kontinuerlige forbedringer gjennom den iterative prosessen, da variabelendringer blir gjort ut ifra tilbakemeldingene. Iterative kliniske tilbakemeldinger og endelig evaluering av sluttresultatene viser at resultatene har blitt mer meningsfylte i løpet av prosessen.
Denne studien er en pionér innenfor dataklynging av hyperkinetiske pasientforløp innenfor psykisk helsevern for barn og unge. Resultatene avslører distinkte undergrupper av pasientforløp, kjennetegnet av unike faktorer. Dette åpner for fremtidig forsking innenfor området. | |
| dc.description.abstract | The extensive amount of complex and heterogenous healthcare data in Electronic Health Records (EHRs) presents a challenge for analysis, encouraging data mining techniques to derive meaningful insights. Clustering, a reliable and efficient unsupervised data mining tool, is known for identifying natural groupings and hidden relationships in large data sets. Despite extensive clustering research in various domains, the application of clustering in mental health, particularly in the context of hyperkinetic disorders, remains relatively unexplored. Hyperkinetic disorders, which represent 29% of all mental health disorders among Norwegian children and adolescents, serve as the focal point of this Master's Thesis.
This thesis employs a cluster analytic approach to identify subgroups of hyperkinetic patient trajectories within Child and Adolescent Mental Health Services (CAMHS) in Norway, using EHR data collected at St. Olavs Hospital, Trondheim. The experiment consists of three sub-experiments wherein each iteration utilises the k-prototypes algorithm to cluster Episodes of Care (EoCs) and Episodes of Care Bundles (EoC Bundles) in a stepwise manner. The first cluster step identifies subgroups of the EoC data. Then the next step includes these subgroups when clustering the EoC Bundle data.
The final results distinguish patient trajectories by identifying three EoC subgroups and four EoC Bundle subgroups. These subgroups differ in patient characteristics such as age and gender, trajectory length, diagnoses given, clinical resources needed, and other trajectory aspects. In short, some trajectories are distinguished by being more ``typical'' hyperkinetic trajectories based on clinicians' experiences. These are often longer EoC Bundles, including planned polycyclic EoCs. Other trajectories are more varied in length and care and immediacy level.
The intermediate findings and final results are assessed through a combination of clustering validation and clinical assessment. This evaluation process facilitates the interpretation of findings and ensures their clinical relevance. Additionally, it enables ongoing improvements throughout the iterative process, as the feedback is incorporated by modifying, adding and removing features. The iterative clinical feedback and evaluation show an increase in the meaningfulness of the clustering results.
This study pioneers the clustering of hyperkinetic patient trajectories within CAMHS in Norway, contributing to the field of data mining within healthcare. The results reveal the presence of distinct subgroups within these patient trajectories, characterised by unique factors. This evidence supports the feasibility of clustering EHR data to identify clinically meaningful subgroups, opening up new avenues for future research. | |
