Stream-Mining-Methoden für die Vorhersage von Trajektorien in medizinischen Daten

In der medizinischen Forschung, insbesondere in epidemiologischen Längsschnittstudien und bei der Überwachung von Patienten mit chronischen Krankheiten, unterziehen sich die Teilnehmer wiederholt einer großen Anzahl von Untersuchungen. Die über einen Teilnehmer im Laufe der Zeit aufgezeichneten Daten können als multivariate Zeitreihe oder als hochdimensionale Trajektorie modelliert werden, wobei die Dimensionen die gemäß dem Untersuchungsprotokoll aufzuzeichnenden Variablen sind. Die Vorhersage künftiger Aufzeichnungen und der Kennzeichnungen bestimmter Variablen (Ergebnisse) ist für die Gewinnung von Erkenntnissen aus medizinischen Daten unerlässlich. Die Forschung zur Vorhersage in Zeitreihen und Trajektorien hat jedoch einigen Herausforderungen, die bei der Erhebung epidemiologischer Daten im Laufe der Zeit auftreten, noch nicht genügend Aufmerksamkeit geschenkt: (i) das Untersuchungsprotokoll kann sich von einem Zeitpunkt zum nächsten ändern, so dass sich die Menge der Dimensionen ändert; (ii) einige Untersuchungen werden nicht bei allen Teilnehmern durchgeführt, z. B. weil sie vom Geschlecht abhängen. Dies bedeutet, dass die Daten systematisch unvollständig sein können. Darüber hinaus ist die Teilnahme freiwillig, was bedeutet, dass die Teilnehmer einer epidemiologischen Studie aussteigen können, während die Teilnehmer eines Patientenüberwachungsprogramms unregelmäßig antworten können: Dies führt zu unterschiedlich langen Verläufen, was bedeutet, dass für einige Teilnehmer viele Daten verfügbar sind, für andere hingegen nur wenige Daten. Ziel dieser Arbeit ist es, Stream-Mining-Methoden auf neue Lösungen für die robuste Vorhersage des Verlaufs eines Patienten zu erweitern, die die oben genannten Herausforderungen überwinden, um die Diagnose und Behandlung zu erleichtern. Besonderes Augenmerk wird auf die Vorhersage der Entwicklung von Lebersteatose (Fettleber), die reversibel ist, und die Vorhersage von Kropf, der nicht reversibel ist, unter Verwendung von Daten aus der Study of Health in Pomerania (SHIP) gelegt.

Stream Mining Methods for Prediction on Trajectories of Medical Data

In medical research, especially in longitudinal epidemiological studies and when monitoring patients with chronic diseases, participants repeatedly undergo a large set of examinations. The data recorded on one participant over time can be modelled as a multivariate time series or as a high-dimensional trajectory, where the dimensions are the variables to be recorded according to the examinations' protocol. Prediction of future recordings and of the labels of given variables (outcomes) is essential for winning insights from medical data. However, research on prediction in time series and in trajectories has not paid yet enough attention to some challenges that emerge when collecting epidemiological data over time: (i) the examination protocol may change from one time point to the next one, so that the set of dimensions changes; (ii) some examinations are not performed on all participants, e.g. because they depend on sex. This means that the data may be systematically incomplete. Moreover, participation is voluntary, which means that participants of an epidemiological study may exit it, while participants of a patient monitoring programme may respond irregularly: this leads to trajectories of different lengths, implying that a lot of data is available for some participants, and only few data for others. The goal of this work is to extend stream mining methods towards new solutions for the robust prediction of a patient's trajectory development which overcome the aforementioned challenges in order to facilitate diagnosis and treatment. Special focus will be placed on the prediction of the development of hepatic steatosis (fatty liver) which is reversible and the prediction of goitre which is not reversible using data from the Study of Health in Pomerania (SHIP).