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

Autor/a

Garriga Calleja, Roger ORCID

Director/a

Matic, Aleksandar

Lugosi, Gábor ORCID

Fecha de defensa

2024-02-29

Páginas

188 p.



Departamento/Instituto

Universitat Pompeu Fabra. Departament de Tecnologies de la Informació i les Comunicacions

Programa de doctorado

Programa de Doctorat en Tecnologies de la Informació i les Comunicacions

Resumen

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.

Palabras clave

Machine Learning; Mental health; Probabilistic modeling; Artificial Intelligence; Medicine; Data Science; Clinical Decision Support System; Electronic Health Records; Predictive Analytics; Aprenentatge Automàtic; Salut mental; Modelització Probabilística; Intel·ligència Artificial; Medicina; Ciència de Dades; Sistema de Suport a la Presa de Decisions Clíniques; Registres Electrònics de Salut; Història Clínica Electrònica; Anàlisi Predictiu

Materias

004 - Informática; 616.89 - Psiquiatría. Psicopatología

Documentos

Este documento contiene ficheros embargados hasta el dia 29-02-2025

Derechos

ADVERTIMENT. Tots els drets reservats. L'accés als continguts d'aquesta tesi doctoral i la seva utilització ha de respectar els drets de la persona autora. Pot ser utilitzada per a consulta o estudi personal, així com en activitats o materials d'investigació i docència en els termes establerts a l'art. 32 del Text Refós de la Llei de Propietat Intel·lectual (RDL 1/1996). Per altres utilitzacions es requereix l'autorització prèvia i expressa de la persona autora. En qualsevol cas, en la utilització dels seus continguts caldrà indicar de forma clara el nom i cognoms de la persona autora i el títol de la tesi doctoral. No s'autoritza la seva reproducció o altres formes d'explotació efectuades amb finalitats de lucre ni la seva comunicació pública des d'un lloc aliè al servei TDX. Tampoc s'autoritza la presentació del seu contingut en una finestra o marc aliè a TDX (framing). Aquesta reserva de drets afecta tant als continguts de la tesi com als seus resums i índexs.

Este ítem aparece en la(s) siguiente(s) colección(ones)