Naslov
Korištenje metode inteligentne analize podataka u stvaranju dijagnostičkog algoritma za posttraumatski stresni poremećaj

Autori
Marinić, Igor ; Gamberger, Dragan ; Supek, Fran ; Kovačić, Zrnka ; Rukavina, Lea ; Grubišić - Ilić, Mirjana ; Kozarić-Kovačić, Dragica

Vrsta, podvrsta i kategorija rada
Sažeci sa skupova, sažetak, znanstveni

Izvornik
Zbornik sažetaka 2. hrvatskog simpozija o poremećajima uzrokovanim stresom: Dijagnostika poremećaja uzrokovanih stresom / - Zagreb, 2007

Skup
2. hrvatski simpozij o poremećajima uzrokovanim stresom: Dijagnostika poremećaja uzrokovanih stresom

Mjesto i datum
Rabac, Zagreb, 3-5.05.2007

Vrsta sudjelovanja
Predavanje

Vrsta recenzije
Nije recenziran

Ključne riječi
inteligentna analiza podataka; algoritam; posttraumatski stresni poremećaj
(posttraumatic stress disorder)

Sažetak
Uvod: Složene metode inteligentne analize podataka mogu se koristiti za pronalaženje potencijalno korisnih informacija i obrazaca iz postojećih baza podataka. Cilj ovog prikaza je bio istražiti mogućnosti dva komplementarna algoritma inteligentne analize podataka u dijagnostici posttraumatskog stresnog poremećaja. Uzorak i metode: Primjenom dvije metode (Paralel Random Forest - PARF i Data Mining Server – DMS) učinjena je analiza podataka o ukupno 102 bolesnika (51 sa dijagnozom PTSP-a i 51 s ostalim psihijatrijskim dijagnozama osim PTSP-a) koji su liječeni na našoj Klinici. Svakom od ovih metoda formirana su po tri zasebna modela: 1.) model temeljen na podacima iz strukturiranog psihijatrijskog intervjua sačinjenog na našoj Klinici, 2.) model temeljen na psihijatrijskim skalama (Klinička skala za posttraumatski stresni poremećaj (CAPS), Skala pozitivnih i negativnih sindroma (PANSS), Hamiltonova skala za anksioznost (HAMA), Hamiltonova skala za depresiju (HAMD)), 3.) model temeljen na svim dostupnim podacima (strukturirani psihijatrijski upitnik i psihijatrijske skale). Korištenjem Random Forest (RF) klasifikatora rangirani su pojedini atributi obzirom na relevantnost povezanosti sa dijagnozom PTSP-a, dok su korištenjem DMS-a na temelju dostupnih podataka formirani osnovni dijagnostički algoritmi. Rezultati: U prvom modelu, korištenjem DMS-a formiran je algoritam umjerene senzitivnosti i specifičnosti koji u obzir uzima postojanje anksiozno depresivnog poremećaja, sadašnji status zaposlenja, status invaliditeta i dob, dok je RF algoritam kao najznačajnije atribute izdvojio grupu komorbidnih dijagnoza koja uključuje neurotske poremećaje, poremećaje povezane sa stresom i somatoformne poremećaje te postotak invaliditeta. U drugom modelu temeljenom na psihijatrijskim upitnicima DMS je izdvojio pojedine elemente CAPS i PANSS upitnika, a sam model ima veću specifičnost i senzitivnost nego prethodni model koji je temeljen samo na psihijatrijskom intervjuu. RF je kao relevantne atribute izdvojio elemente CAPS upitnika i dodatne kriterije PANSS upitnika, uz istu skupinu komorbidnih dijagnoza kao u prethodnom modelu. Konačno, korištenjem svih podataka zajedno elementi psihijatrijskih skala su se pokazali najznačajnijima, zajedno sa skupinom gore navedenih komorbidnih dijagnoza. Zaključak: Ovo je jedna od prvih primjena metoda inteligentne analize podataka u formiranju dijagnostičkih algoritama u psihijatriji. Primjenom dvaju komplementarnih metoda izvojeni su ne samo relevantni atributi iz dostupnih anamnestičkih podataka i psihijatrijskih upitnika, nego su i formirani osnovni algoritmi za dijagnostiku PTSP-a temeljeni na metodama inteligentne analize podataka.

Izvorni jezik
Hrvatski

Znanstvena područja
Kliničke medicinske znanosti

POVEZANOST RADA