Prediction of mental health crises based on electronic health records: probabilistic and machine learning models for clinical applications

Abstract

This thesis delves into the transformative potential of Electronic Health Records and Machine Learning in the prevention of mental health crisis relapses. Our work focuses on the prediction of these relapses throughout the entire period between two consecutive mental health crises, with the aim of facilitating timely interventions to mitigate the risk of relapse and optimize healthcare resources. Concretely, we develop a personalized policy to determine the extent of time a patient needs to be closely monitored before reaching stability and a Machine Learning model that provides a regularly updated risk of relapse during the patient stability phase. In our studies, we address key challenges in transferring a Machine Learning algorithm to clinical practice. To this end, we demonstrate the successful implementation of our Machine Learning algorithm within clinical workflows, enabling preventive strategies for those patients at risk of relapse. In addition, we showed that the model can be effectively transferred across different healthcare systems. These contributions pave the way for transforming mental healthcare delivery, offering personalized care to improve patient outcomes while alleviating the burden on mental healthcare facilities.

Aquesta tesi explora el potencial transformador dels Registres Electrònics de Salut i de l'Aprenentatge Automàtic en la prevenció de recaigudes en crisis de salut mental. El nostre treball es centra en la predicció d'aquestes recaigudes al llarg del període entre dues crisis de salut mental consecutives, amb l'objectiu de facilitar intervencions dirigides a mitigar el risc de recaiguda i optimitzar els recursos sanitaris. Concretament, desenvolupem una política personalitzada per determinar el període de temps que un pacient requereix ser monitoritzat de prop abans d'assolir l'estabilitat, i un model d'Aprenentatge Automàtic que proporciona un risc actualitzat de recaiguda durant la fase d'estabilitat del pacient. En els nostres estudis, abordem reptes claus en la implementació d'un algorisme d'Aprenentatge Automàtic a la pràctica clínica. Per aconseguir-ho, demostrem que el nostre algoritme d'Aprenentatge Automàtic es pot implementar satisfactòriament en els processos de seguiment clínics, possibilitant estratègies preventives per a aquells pacients amb risc de recaiguda. També, aconseguim transferir satisfactòriament el model entre dos sistemes sanitaris diferents. En última instància, aquests avenços obren el camí per transformar l'atenció sanitària en salut mental, oferint una atenció personalitzada per millorar els resultats dels pacients a l'hora que es redueix la càrrega sobre centres sanitaris de salut mental.