Das allgemeine Ziel dieses Forschungsprojekts ist die Entwicklung von Methoden, mit denen Computer klinische Zeitreihen analysieren können. Die spezifischen Ziele bestehen in (1) der Visualisierung und Gruppierung von Zeitreihen und (2) in deren Nutzung für die Vorhersage von Krankheitsverläufen auf dem Gebiet der Rheumatologie und Intensivmedizin.
Unser Innovationsfokus liegt auf der Entwicklung neuer Algorithmen zur Quantifizierung der Ähnlichkeit von Zeitreihen, was uns ermöglicht, Gemeinsamkeiten von Krankheitsverläufen zu erkennen. Verwendung finden vor allem Methoden des Maschinellen Lernens (neuronale Netzwerke), aber auch solche der Datenvisualisierung, welche speziell auch für die Interpretation von Computerprognosen eingesetzt werden. Die Ergebnisse dieses Projektes werden unter anderem Medizinern erlauben, einen zu behandelnde Patienten in den Kontext von historischen Patienten zu setzen und eine komparative Verlaufsprognose zu erstellen.
Das Projekt ist im Gebiet der medizinischen Datenwissenschaften, welches sich mit der Analyse von grossen klinischen Datenmenge befasst, angesiedelt. Die Forschungstätigkeit trägt dazu bei, aus bestehenden Patientendaten neue Einsichten zu gewinnen und verhält sich somit synergistisch zu Bestrebungen, Patiendaten national zu teilen und für die Forschung zur Verfügung zu stellen.
Since the early days of computing, healthcare professionals have dreamt of using the vast storage and processing powers of computers to sift through vast medical archives and automatically discover new facts and medical knowledge locked inside electronic health records (EHRs) and similar digital patient data archives. This is not unlike the activity of physicians that use their clinical experience to identify patterns (such as symptoms) that are common among a group of patients, leading to new disease classifications and eventually treatment strategies. However, rather than having to base judgement on few patients, digital medical information allows the inspection of data from thousands if not Millions of patients at the same time. In order to compare patients at this scale, we need to teach computers to form a robust understanding of patient similarity, a non-trivial skill that relies on matching multi-dimensional and multi-modal patient features that are captured at different times and resolutions. As these features are captured over time, they form unique patient journeys that chronicle healthcare interventions and record patient outcomes. Measuring the similarities among those journeys enables the discovery of common health states that precede disease development. As patients traverse these states in distinct pathways, it is possible to inspect the trajectories for a better understanding of possible disease etiologies. Also, as pathways are linked to particular health outcomes (trajectories), they are useful for prognosis and medical decision making.
In this grant proposal, our general aim is to investigate and apply computational methods for patient journey analysis. Our specific aims are to (1) establish algorithmic and visualization approaches for learning and assessing patient journey similarities and to (2) perform personalized outcome prediction based on these journeys using data from the Departments of Rheumatology and Intensive Care of the University Hospital of Zurich (USZ).
Last updated:06.03.2022
