Hödlmoser, S. (2016). One class classification of longitudinal data [Diploma Thesis, Technische Universität Wien]. reposiTUm. https://doi.org/10.34726/hss.2016.34562
E105 - Institut für Stochastik und Wirtschaftsmathematik
-
Date (published):
2016
-
Number of Pages:
68
-
Keywords:
classification; mixed effect models
en
Abstract:
Bei der klinischen Überwachung wird eine Vielzahl an Daten erhoben, anhand derer der Zustand eines Patienten und notwendige Behandlungen bestimmt werden. Ausgewählte Biosignale werden in periodischen Abständen gemessen und mit kritischen Werten verglichen. Es stellt sich die Frage, ob eine Berücksichtigung vorangegangener Messungen einen Informationsgewinn gegenüber einer Bewertung, welche ausschließlich auf den neuesten Beobachtungen basiert, darstellt. Zu diesem Zweck wurde ein Datensatz in der Lorenz Böhler Intensivstation erfasst, welcher die zeitliche Entwicklung von Biomarker-Werten von Trauma-Patienten enthält. Die vorliegende Arbeit beschäftigt sich mit der Klassifikation dieser Longitudinaldaten. Der Datensatz erfordert eine Klassifikation, die auf Kenntnis von nur einer der auftretenden Klassen basiert, einer sogenannten One Class Classification. Diese muss sowohl mit den unterschiedlichen Beobachtungszeiträumen der Patienten, als auch mit der periodischen Neuerhebung der Merkmale umgehen können. Anhand eines gemischten linearen Regressionsmodells werden die Charakteristika der überlebenden Patienten geschätzt. Abweichungen von diesen zu gemessenenWerten können - in Abhängigkeit ihres Ausmaßes - zu einer negativen Klassifikation führen. Neben der Schätzung der Klassen-Charakteristika dient das gemischte Modell weiteren Vorteilen, wie z.B. einer visuellen Hilfestellung zur Bewertung eines Patienten. Zur Auswertung der vorgeschlagenen Klassifikation dient die derzeitige Standardmethode zur Bewertung von Schädel-Hirn-Traumata, welche auf der jeweils aktuellsten Messung eines bestimmten Biomarkers basiert. Die longitudinale Datenauswertung konnte die Ergebnisse der (sehr einfachen) Standardmethode teilweise übertreffen, jedoch zum Preis eines erheblich größeren Aufwands.
de
In clinical treatment, a variety of data is collected to assess a patient's condition and determine necessary interventions. The common practice is to periodically observe a selection of features and compare these measurements to defined thresholds. The question arose, if there is a benefit in considering not only the newest updates of features, but taking prior observations into account as well. To examine possible advantages, a dataset at the Lorenz Böhler intensive care unit was collected, where the progression over time of biomarker levels of trauma patients were documented. Motivated by a patient monitoring, this work deals with the problem of classification for this longitudinal data. The dataset demands a classification based on knowledge of a positive class only, hence it was approached by a one class classification. Further, the classifier has to deal with both, the unbalanced data as well as its updating nature. Based on a linear mixed effects regression model, characteristics of the class of survival patients are estimated. Deviations of observation from this estimations are penalized and evoke a negative classification. The mixed model approach allows not only for estimating class characteristics, but further features, e.g. it can expand the classification by a visual support. The gold standard method of brain injury assessment for trauma patients is used to benchmark the proposed longitudinal classifiers. Different views on evaluation show slight improvements to the benchmark, which however are in conflict with additional effort.