Implementation of a virtual patient model for older people and extraction of clinical profiles through clustering analysis

In this work we exploit the openEHR framework for the representation of frailty in ageing population in order to attain semantic interoperability, and we present the methodology for adoption or development of archetypes. Frailty is a common clinical syndrome in ageing population that carries an i...

Πλήρης περιγραφή

Λεπτομέρειες βιβλιογραφικής εγγραφής
Κύριος συγγραφέας: Καλογιάννης, Σπυρίδων
Άλλοι συγγραφείς: Μεγαλοοικονόμου, Βασίλειος
Μορφή: Thesis
Γλώσσα:English
Έκδοση: 2019
Θέματα:
Διαθέσιμο Online:http://hdl.handle.net/10889/12067
id nemertes-10889-12067
record_format dspace
institution UPatras
collection Nemertes
language English
topic Electronic health records
Semantic interoperability
OpenEHR
HBase
Frailty
Clustering
Manifold learning
Locally linear embedding
Non-linear dimensionality reduction
Manifold learning
Locally linear embedding
Ηλεκτρονικοί φάκελοι υγείας
Σημασιολογική διαλειτουργικότητα
Συσταδοποίηση
Μη-γραμμική μείωση διαστατικότητας
Ευθραυστότητα
610.285
spellingShingle Electronic health records
Semantic interoperability
OpenEHR
HBase
Frailty
Clustering
Manifold learning
Locally linear embedding
Non-linear dimensionality reduction
Manifold learning
Locally linear embedding
Ηλεκτρονικοί φάκελοι υγείας
Σημασιολογική διαλειτουργικότητα
Συσταδοποίηση
Μη-γραμμική μείωση διαστατικότητας
Ευθραυστότητα
610.285
Καλογιάννης, Σπυρίδων
Implementation of a virtual patient model for older people and extraction of clinical profiles through clustering analysis
description In this work we exploit the openEHR framework for the representation of frailty in ageing population in order to attain semantic interoperability, and we present the methodology for adoption or development of archetypes. Frailty is a common clinical syndrome in ageing population that carries an increased risk for adverse health outcomes including falls, hospitalization, disability, and mortality. As these outcomes a ect the health and social care planning, during the last years there is a tendency of investing in monitoring and preventing strategies. Although a number of electronic health record (EHR) systems have been developed, including personalized virtual patient models, there are limited ageing population oriented systems. We also propose a framework for a one-to-one mapping between openEHR archetypes and a column-family NoSQL database aiming at the integration of existing and newly developed archetypes into our HBase storage system. As a result a detailed personalized virtual patient model (VPM) of the health pro le has been designed and constructed by unobtrusively monitoring the older person's everyday life through a variety of embedded and wireless smart indoors and outdoors sensors, as well as social interaction, clinical assessment and self-evaluation tests. Focusing on the aging population as a case study, in this study we also present a methodology for extracting and analyzing multi-sensor measurements and use them to identify data clusters that might be linked to clinical pro les. This was achieved by fusing information of the VPM from multiple devices, such as a wearable device for physiological and kinetic monitoring, a dynamometer for strength measurement, a game platform and a global positioning system (GPS) for outdoor monitoring. Principal component analysis (PCA) was applied to remove correlations in the extracted features, followed by locally linear embedding (LLE) to embed the data in a lower dimensional space where unsupervised clustering is feasible. Exploration of the identi ed clusters revealed patterns of frailty manifestation that were in high accordance with geriatric indices from several domains (medical, cognitive, psychological, etc). Our results highlight the potential of the applied data mining methodology for the extraction of novel frailty indicators.
author2 Μεγαλοοικονόμου, Βασίλειος
author_facet Μεγαλοοικονόμου, Βασίλειος
Καλογιάννης, Σπυρίδων
format Thesis
author Καλογιάννης, Σπυρίδων
author_sort Καλογιάννης, Σπυρίδων
title Implementation of a virtual patient model for older people and extraction of clinical profiles through clustering analysis
title_short Implementation of a virtual patient model for older people and extraction of clinical profiles through clustering analysis
title_full Implementation of a virtual patient model for older people and extraction of clinical profiles through clustering analysis
title_fullStr Implementation of a virtual patient model for older people and extraction of clinical profiles through clustering analysis
title_full_unstemmed Implementation of a virtual patient model for older people and extraction of clinical profiles through clustering analysis
title_sort implementation of a virtual patient model for older people and extraction of clinical profiles through clustering analysis
publishDate 2019
url http://hdl.handle.net/10889/12067
work_keys_str_mv AT kalogiannēsspyridōn implementationofavirtualpatientmodelforolderpeopleandextractionofclinicalprofilesthroughclusteringanalysis
AT kalogiannēsspyridōn ylopoiēsēenosmonteloueikonikouasthenēgiaēlikiōmenouskaiexagōgēklinikōnprophilmeanalysēsystadopoiēsēs
_version_ 1771297346139717632
spelling nemertes-10889-120672022-09-05T20:19:01Z Implementation of a virtual patient model for older people and extraction of clinical profiles through clustering analysis Υλοποίηση ενός μοντέλου εικονικού ασθενή για ηλικιωμένους και εξαγωγή κλινικών προφίλ με ανάλυση συσταδοποίησης Καλογιάννης, Σπυρίδων Μεγαλοοικονόμου, Βασίλειος Μεγαλοοικονόμου, Βασίλειος Χατζηλυγερούδης, Ιωάννης Μακρής, Χρήστος Kalogiannis, Spyridon Electronic health records Semantic interoperability OpenEHR HBase Frailty Clustering Manifold learning Locally linear embedding Non-linear dimensionality reduction Manifold learning Locally linear embedding Ηλεκτρονικοί φάκελοι υγείας Σημασιολογική διαλειτουργικότητα Συσταδοποίηση Μη-γραμμική μείωση διαστατικότητας Ευθραυστότητα 610.285 In this work we exploit the openEHR framework for the representation of frailty in ageing population in order to attain semantic interoperability, and we present the methodology for adoption or development of archetypes. Frailty is a common clinical syndrome in ageing population that carries an increased risk for adverse health outcomes including falls, hospitalization, disability, and mortality. As these outcomes a ect the health and social care planning, during the last years there is a tendency of investing in monitoring and preventing strategies. Although a number of electronic health record (EHR) systems have been developed, including personalized virtual patient models, there are limited ageing population oriented systems. We also propose a framework for a one-to-one mapping between openEHR archetypes and a column-family NoSQL database aiming at the integration of existing and newly developed archetypes into our HBase storage system. As a result a detailed personalized virtual patient model (VPM) of the health pro le has been designed and constructed by unobtrusively monitoring the older person's everyday life through a variety of embedded and wireless smart indoors and outdoors sensors, as well as social interaction, clinical assessment and self-evaluation tests. Focusing on the aging population as a case study, in this study we also present a methodology for extracting and analyzing multi-sensor measurements and use them to identify data clusters that might be linked to clinical pro les. This was achieved by fusing information of the VPM from multiple devices, such as a wearable device for physiological and kinetic monitoring, a dynamometer for strength measurement, a game platform and a global positioning system (GPS) for outdoor monitoring. Principal component analysis (PCA) was applied to remove correlations in the extracted features, followed by locally linear embedding (LLE) to embed the data in a lower dimensional space where unsupervised clustering is feasible. Exploration of the identi ed clusters revealed patterns of frailty manifestation that were in high accordance with geriatric indices from several domains (medical, cognitive, psychological, etc). Our results highlight the potential of the applied data mining methodology for the extraction of novel frailty indicators. Σε αυτή την εργασία διερευνάται το πλαίσιο openEHR, για την αναπαράσταση της ευθραυστότητας/αδυναμίας (frailty) στους ηλικιωμένους ανθρώπους με σκοπό την επίτευξη σημασιολογικής διαλειτουργικότητας στο σύστημα που αναπτύσσουμε, και παρουσιάζεται η μεθοδολογία υιοθέτησης ή ανάπτυξης αρχέτυπων (archetypes) γι’ αυτό το σκοπό. Η ευθραυστότητα είναι ένα συχνό κλινικό σύνδρομο των ηλικιωμένων ανθρώπων, το οποίο συνεπάγεται αυξημένο κίνδυνο εμφάνισης δυσμενών επιπτώσεων στην υγεία, συμπεριλαμβανομένων πτώσεων, νοσηλείας, αναπηρίας και θνησιμότητας. Δεδομένου ότι τα αποτελέσματα αυτά επηρεάζουν τον προγραμματισμό των συστημάτων υγείας και κοινωνικής πρόνοιας, τα τελευταία χρόνια υπάρχει μια τάση επένδυσης σε στρατηγικές παρακολούθησης και πρόληψης του συνδρόμου ευθραυστότητας. Παρόλο που έχουν αναπτυχθεί αρκετά συστήματα ηλεκτρονικών φακέλων υγείας (Electronic health records), συμπεριλαμβανομένων εξατομικευμένων εικονικών μοντέλων ασθενών, υπάρχουν περιορισμένα συστήματα προσανατολισμένα σε ηλικιωμένους. Μέσω αυτής της διπλωματικής προτείνουμε, επίσης, ένα πλαίσιο για την ένα προς ένα αντιστοίχιση μεταξύ των αρχέτυπων openEHR και μιας NoSQL βάσης δεδομένων της κατηγορίας οικογένειας-στήλών (column-family) που στοχεύει στην ενσωμάτωση ήδη υπαρχόντων και νέων αρχέτυπων στο σύστημα αποθήκευσης HBase. Ως αποτέλεσμα, έχει σχεδιαστεί και αναπτυχθεί ένα λεπτομερές εξατομικευμένο μοντέλο εικονικού ασθενούς (Virtual Patient Model - VPM) για την αναπαράσταση οντοτήτων που συλλέγονται με τη μη-παρεμβατική παρακολούθηση της καθημερινής ζωής του ηλικιωμένου μέσω ποικιλίας ενσωματωμένων και ασύρματων έξυπνων εσωτερικών και εξωτερικών αισθητήρων, καθώς και μέσω κλινικών αξιολογήσεων και ερωτήσεων αυτο-αξιολόγησης. Εστιάζοντας στους ηλικιωμένους ως μελέτη περίπτωσης, παρουσιάζουμε ακόμη μία μεθοδολογία για ανάλυση πολυ-παραμετρικών μετρήσεων, οι οποίες χρησιμοποιούνται για την ανίχνευση συστάδων δεδομένων που ίσως συνδέονται με κλινικά προφίλ. Αυτό πραγματοποιείται με τη σύντηξη πληροφοριών από το VPM από πολλαπλές συσκευές, όπως μια φορητή συσκευή φυσιολογικής και κινητικής παρακολούθησης, ένα δυναμόμετρο για τη μέτρηση της αντοχής, μια πλατφόρμα παιχνιδιών και ένα παγκόσμιο σύστημα εντοπισμού θέσης (GPS) για εξωτερική παρακολούθηση. Αρχικά, εφαρμόζεται η μέθοδος principal component analysis (PCA) για να απομακρυνθούν οι συσχετισμοί στα εξαγόμενα χαρακτηριστικά, ακολουθούμενη από την locally linear embedding (LLE) μέθοδο για την ενσωμάτωση των δεδομένων σε ένα χώρο λιγότερων διαστάσεων όπου είναι εφικτή η μη επιβλεπόμενη συσταδοποίηση (unsupervised clustering). Η μελέτη των ομάδων που προκύπτουν αποκαλύπτει πρότυπα εκδηλώσεων ευθραυστότητας που είναι σε μεγάλο βαθμό συμβατά με τους γηριατρικούς δείκτες από διάφορους τομείς (ιατρικό, νοητικό, ψυχολογικό, κλπ.). Τα αποτελέσματά μας υπογραμμίζουν τις δυνατότητες αυτής της μεθοδολογίας εξόρυξης δεδομένων για την εξαγωγή νέων δεικτών ευθραυστότητας. 2019-02-28T23:38:46Z 2019-02-28T23:38:46Z 2018-11-26 Thesis http://hdl.handle.net/10889/12067 en 0 application/pdf