Pateikiame keletą sukurto prototipo pavyzdžių.
Komplikacijų identifikavimas (1 pavyzdys).
Onkologiniai pacientai dažnai susiduria su įvairiomis komplikacijomis, kurios ne visada identifikuojamos laiku. Apsilankymas gydymo įstaigoje kai kuriais atvejais įvyksta per vėlai ir gydytojai nebegali padėti pacientams dėl per vėlai pastebėtų komplikacijų. Kad prisidėti prie šios problemos sprendimo, atsižvelgiant į aktyvumo, įvertinto iš pasyviai surinktų duomenų, pokyčius, sudarytas modelis, kuris nurodo, ar pacientui per ateinančias tris dienas yra rizika komplikacijai atsirasti. Komplikacijų prognozavimui naudojami sprendimų medžio, XgBoost gradiento didinimo, artimiausių kaimynų ir atraminių vektorių ansamblis.
Žaliai spalva pažymėtiems pacientams rizika komplikacijai įvykti artimiausiu metu yra maža, tačiau raudona spalva nuspalvinti pacientai pasižymi didele rizika patirti komplikaciją dėl onkologinės ligos.
Papildomai pateikiami pacientų aktyvumo ir socialumo rodiklių pokyčiai, siekiant matyti, kokie pakitimai vyksta paciento kasdieninėje veikloje.
Simptomų identifikavimas (2 pavyzdys).
Siekiant identifikuoti pacientų simptomų atsiradimą ar pablogėjimą, naudojamas subjektyvus klausimynų vertinimas. Iš klausimynų, kurie yra užpildomi kas dvi savaites, atsakymų, galima pastebėti, kuomet pacientai patiria tam tikrą pablogėjimą. Visgi, vertindami pacientus tik kas dvi savaites, iškyla rizika nepastebėti simptomų, kurie atsiranda minėtame laiko tarpe. Kuo anksčiau simptomų atsiradimas ar pablogėjimas yra identifikuojamas, tuo anksčiau galima užkirsti kelią ligos pablogėjimui ar gyvenimo kokybės nuosmukiui. Šiam tikslui naudojant pasyviai sugeneruotus duomenis apie pacientų aktyvumą ir socialumą, sudarėme metodologiją simptomų identifikavimui. Atlikus analizę pastebėta, jog trys simptomai: depresija, nuovargis ir vėmimas, yra susiję su charakteristikomis, įvertintomis iš pasyviai sugeneruotų duomenų.
Iš sukauptų pasyvių duomenų apie paciento elgseną nesant simptomų pasireiškimui, sudarytos prognozuojamos aktyvumo ir socialumo parametrų kreivės, nusakančios kaip pacientas turėtų elgtis sekančias dvi savaites, jei simptomas jam nepasireikštų. Šiam tikslui panaudoti laiko eilučių modeliai: ARIMA, Holt Winter metodas, TBATS, LSTM ir GRNN. Modeliai su minimaliomis bandymo paklaidomis buvo parinkti kiekvienam kintamajam atskirai. Sekantis žingsnis, išanalizuoti, ar faktinės vertės skiriasi nuo prognozuojamos trajektorijos. Jei tikroji vertė yra žemiau apatinės 95 % pasikliautinojo intervalo ribos (ar viršija viršutinę laiko namuose ribą), daroma prielaida, kad potencialai atsirado atitinkamas simptomas arba įvyko pablogėjimas. Atlikti tyrimai parodė, ekrano naudojimo trukmė gali nusakyti visus tris simptomus: depresiją, nuovargį ir vėmimą. Pacientų atstumo nuo namų pokyčiai nusako depresiją ir nuovargį, o vidutinė judėjimo trukmė – depresiją.
Fenotipų vertinimas (3 pavyzdys).
Turint galybę duomenų, nusakančių pacientą (demografiniai ir klinikiniai duomenys, apklausų rezultatai, iš pasyviai sugeneruotų duomenų išskaičiuotos aktyvumo ir socialumo charakteristikos), galima rasti panašumus tarp pacientų ir nusakyti, kaip tomis pačiomis charakteristikomis pasižymintys pacientai elgiasi tyrimo eigoje – kaip kinta vidutinio tos pačios grupės paciento aktyvumas ir socialumas. Šiam tikslui atliktas pacientų klasterizavimas, taikytas k-medoidų algoritmas. Klasterizavimui testavimo būdu buvo išrinktas optimalus požymių, nusakančių vidutinį grupės pacientą, rinkinys. Gauti rezultatai parodė, jog pacientai, pakliuvę į klasterį Nr. 1 pasižymi prastesne savijauta. Daugeliui pacientų iš klasterio Nr. 1 yra taikomas sisteminis gydymas bei daugelis buvo gydomi sisteminiu gydymu anksčiau. Pacientų pasyvių duomenų vizualizavimas atliekamas pasinaudojant svorine daugialype regresija, vizualizuojant vidutinį klasterio pacientą bei sudarant galimybę pasirinkti atskirą to klasterio pacientą bei palyginti, kaip pacientas nukrypsta nuo bendros grupės tendencijos laiko tėkmėje.
Pateikiame keletą sukurto prototipo pavyzdžių.
Komplikacijų identifikavimas (1 pavyzdys).
Onkologiniai pacientai dažnai susiduria su įvairiomis komplikacijomis, kurios ne visada identifikuojamos laiku. Apsilankymas gydymo įstaigoje kai kuriais atvejais įvyksta per vėlai ir gydytojai nebegali padėti pacientams dėl per vėlai pastebėtų komplikacijų. Kad prisidėti prie šios problemos sprendimo, atsižvelgiant į aktyvumo, įvertinto iš pasyviai surinktų duomenų, pokyčius, sudarytas modelis, kuris nurodo, ar pacientui per ateinančias tris dienas yra rizika komplikacijai atsirasti. Komplikacijų prognozavimui naudojami sprendimų medžio, XgBoost gradiento didinimo, artimiausių kaimynų ir atraminių vektorių ansamblis.
Žaliai spalva pažymėtiems pacientams rizika komplikacijai įvykti artimiausiu metu yra maža, tačiau raudona spalva nuspalvinti pacientai pasižymi didele rizika patirti komplikaciją dėl onkologinės ligos.
Papildomai pateikiami pacientų aktyvumo ir socialumo rodiklių pokyčiai, siekiant matyti, kokie pakitimai vyksta paciento kasdieninėje veikloje.
Simptomų identifikavimas (2 pavyzdys).
Siekiant identifikuoti pacientų simptomų atsiradimą ar pablogėjimą, naudojamas subjektyvus klausimynų vertinimas. Iš klausimynų, kurie yra užpildomi kas dvi savaites, atsakymų, galima pastebėti, kuomet pacientai patiria tam tikrą pablogėjimą. Visgi, vertindami pacientus tik kas dvi savaites, iškyla rizika nepastebėti simptomų, kurie atsiranda minėtame laiko tarpe. Kuo anksčiau simptomų atsiradimas ar pablogėjimas yra identifikuojamas, tuo anksčiau galima užkirsti kelią ligos pablogėjimui ar gyvenimo kokybės nuosmukiui. Šiam tikslui naudojant pasyviai sugeneruotus duomenis apie pacientų aktyvumą ir socialumą, sudarėme metodologiją simptomų identifikavimui. Atlikus analizę pastebėta, jog trys simptomai: depresija, nuovargis ir vėmimas, yra susiję su charakteristikomis, įvertintomis iš pasyviai sugeneruotų duomenų.
Iš sukauptų pasyvių duomenų apie paciento elgseną nesant simptomų pasireiškimui, sudarytos prognozuojamos aktyvumo ir socialumo parametrų kreivės, nusakančios kaip pacientas turėtų elgtis sekančias dvi savaites, jei simptomas jam nepasireikštų. Šiam tikslui panaudoti laiko eilučių modeliai: ARIMA, Holt Winter metodas, TBATS, LSTM ir GRNN. Modeliai su minimaliomis bandymo paklaidomis buvo parinkti kiekvienam kintamajam atskirai. Sekantis žingsnis, išanalizuoti, ar faktinės vertės skiriasi nuo prognozuojamos trajektorijos. Jei tikroji vertė yra žemiau apatinės 95 % pasikliautinojo intervalo ribos (ar viršija viršutinę laiko namuose ribą), daroma prielaida, kad potencialai atsirado atitinkamas simptomas arba įvyko pablogėjimas. Atlikti tyrimai parodė, ekrano naudojimo trukmė gali nusakyti visus tris simptomus: depresiją, nuovargį ir vėmimą. Pacientų atstumo nuo namų pokyčiai nusako depresiją ir nuovargį, o vidutinė judėjimo trukmė – depresiją.
Fenotipų vertinimas (3 pavyzdys).
Turint galybę duomenų, nusakančių pacientą (demografiniai ir klinikiniai duomenys, apklausų rezultatai, iš pasyviai sugeneruotų duomenų išskaičiuotos aktyvumo ir socialumo charakteristikos), galima rasti panašumus tarp pacientų ir nusakyti, kaip tomis pačiomis charakteristikomis pasižymintys pacientai elgiasi tyrimo eigoje – kaip kinta vidutinio tos pačios grupės paciento aktyvumas ir socialumas. Šiam tikslui atliktas pacientų klasterizavimas, taikytas k-medoidų algoritmas. Klasterizavimui testavimo būdu buvo išrinktas optimalus požymių, nusakančių vidutinį grupės pacientą, rinkinys. Gauti rezultatai parodė, jog pacientai, pakliuvę į klasterį Nr. 1 pasižymi prastesne savijauta. Daugeliui pacientų iš klasterio Nr. 1 yra taikomas sisteminis gydymas bei daugelis buvo gydomi sisteminiu gydymu anksčiau. Pacientų pasyvių duomenų vizualizavimas atliekamas pasinaudojant svorine daugialype regresija, vizualizuojant vidutinį klasterio pacientą bei sudarant galimybę pasirinkti atskirą to klasterio pacientą bei palyginti, kaip pacientas nukrypsta nuo bendros grupės tendencijos laiko tėkmėje.