ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΔΙΑΤΜΗΜΑΤΙΚΟ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΣΤΗΝ ΙΑΤΡΙΚΗ ΦΥΣΙΚΗ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ

Transcript

1 ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΔΙΑΤΜΗΜΑΤΙΚΟ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΣΤΗΝ ΙΑΤΡΙΚΗ ΦΥΣΙΚΗ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ «Μεθοδολογίες Ανάλυσης Βιοϊατρικών Δεδομένων με Στόχο την Ιατρική Συμπερασματολογία σε Ασθενείς με Ήπια Νοητική Διαταραχή και Νόσο Alzheimer και Διασύνδεση τους με Νευροφυσιολογικό Υπόστρωμα» Ιωάννα Χ. Παπανικολαΐδη Α.Μ Επιβλέπων Καθηγητής : Γεώργιος Σακελλαρόπουλος Πάτρα, Οκτώβριος 2015

2 2

3 Η παρούσα διπλωματική διεξήχθη κατόπιν συνεργασίας του Εργαστηρίου Ιατρικής Φυσικής του Πανεπιστημίου Πατρών με την ομάδα του έργου Εν-ΝΟΗΣΗΣ, ενός Συστήματος Διάχυτης Νοημοσύνης για την Πρόγνωση, Διάγνωση, Παρακολούθηση και Ενδυνάμωση Ασθενών με Νοητικές Διαταραχές 3

4 Μέλη Τριμελούς Επιτροπής 1. Γεώργιος Σακελλαρόπουλος, Αναπλ. Καθηγητής Ιατρικής Φυσικής Ιατρικής Πληροφορικής 2. Γεώργιος Νικηφορίδης, Καθηγητής Ιατρικής Φυσικής 3. Ελισσάβετ Χρόνη, Καθηγήτρια Νευρολογίας 4

5 Πρόλογος Ο αριθμός των ασθενών που πάσχουν από νοητικές διαταραχές και άνοια αυξάνεται συνεχώς, χαρακτηρίζοντας τις ως «μάστιγα του αιώνα». Η ραγδαία αυτή αύξηση διαταραχών οδηγεί τους θεράποντες γιατρούς και ερευνητές να εντείνουν τις προσπάθειες τους αναφορικά με την πρόγνωση και την αναστολή των νευροεκφυλιστικών νοσημάτων. Δυστυχώς, όμως, μέχρι σήμερα δεν έχει καταστεί δυνατή η πρόληψη και η αναστολή της εμφάνισης αυτών των νοσημάτων, όπως είναι η Ήπια Νοητική Διαταραχή (ΗΝΔ), που αποτελεί πολλές φορές προ-στάδιο της άνοιας και της νόσου Alzheimer. Πρόσφατες έρευνες υποστηρίζουν πως η διατήρηση φυσικής και νοητικής δραστηριότητας αλλά και ο συνδυασμός περιβαλλοντολογικών και βιολογικών παραγόντων (πχ. διατροφή, άσκηση του σώματος και του μυαλού, κοινωνική αλληλεπίδραση κα.) μειώνουν την πιθανότητα εξέλιξης σε νόσου Alzheimer ή/ και άλλων vευροεκφυλιστικών νοσημάτων των ασθενών που παρουσιάζουν ΗΝΔ αλλά και παρέχουν έγκαιρη διάγνωση και πρόβλεψη της εξέλιξης της υγείας των ασθενών. Η παρούσα διπλωματική εργασία στηριζόμενη σε αυτές τις έρευνες συμβάλει στην ανάπτυξη μεθοδολογιών αλλά και νέων τεχνολογιών. Αυτές στοχεύουν στη δημιουργία βελτιωμένων διαγνωστικών εργαλείων για την εξ αποστάσεως παρακολούθηση των ασθενών. Παράλληλα διαθέτουν την ικανότητα συμπερασμάτων και λήψης αποφάσεων για την πορεία του ασθενή ενσωματώνοντας κατάλληλα παιχνίδια εξάσκησης της μνήμης. Η σπουδαιότητα της συγκεκριμένης μεθοδολογίας που προτείνεται έγκειται στο να μειωθεί το στίγμα και ο κοινωνικός αποκλεισμός των πασχόντων που αποτελούν τα κυριότερα εμπόδια για τους ανθρώπους με άνοια αλλά και τους περιθάλποντες τους. Αδιαμφισβήτητα, η πρώιμη και έγκαιρη διάγνωση δίνει τα χρονικά περιθώρια ενημέρωσης, αποδοχής της κατάστασης, διατήρησης της ποιότητας ζωής και προγραμματισμού για το μέλλον όλων αυτών των ατόμων. Επομένως, η διατήρηση και αύξηση της αυτονομίας, της ανεξαρτησίας και της γενικότερης ποιότητας ζωής των ασθενών αποτελούν θεμελιώδεις στόχους της κοινωνίας μας σήμερα αλλά και βασικό στόχο και της παρούσας διπλωματικής εργασίας. 5

6 6

7 Ευχαριστίες Ολοκληρώνοντας τη συγγραφή της μεταπτυχιακής μου εργασίας θα ήθελα να εκφράσω τις ευχαριστίες μου στα πρόσωπα που συνέβαλαν άμεσα ή έμμεσα στην ολοκλήρωση της. Αρχικά, θα ήθελα να ευχαριστήσω το καθηγητή Ιατρικής Φυσικής κ. Γεώργιο Νικηφορίδη, για την ευκαιρία και εμπιστοσύνη που μου έδειξε να συμμετάσχω στο ερευνητικό πρόγραμμα Εν-ΝΟΗΣΗΣ ανοίγοντας μου νέα και ενδιαφέροντα επιστημονικά μονοπάτια. Θερμές ευχαριστίες στην καθηγήτρια Νευρολογίας κ. Ελισσάβετ Χρόνη, για τον πολύτιμο χρόνο που διέθεσε στη συνεργασία μας στα πλαίσια του έργου Εν-ΝΟΗΣΗΣ αλλά και για τις γνώσεις που μου μετέδωσε για ένα αντικείμενο άγνωστο προς εμένα, όπως ήταν αυτό των νοητικών διαταραχών. Παράλληλα, θα ήθελα να εκφράσω την εκτίμηση μου στον επιβλέποντα καθηγητή μου Γεώργιο Σακελλαρόπουλο, αναπληρωτή καθηγητή Ιατρικής Φυσικής Ιατρικής Πληροφορικής, για το ενδιαφέρον του και την αμέριστη καθοδήγηση του καθ όλη τη διάρκεια εκπόνησης της διπλωματικής μου εργασίας. Παρά το φόρτο εργασίας του ήταν πάντα παρών με καλή διάθεση και ανοχή σε ότι χρειαζόμουν. Τον ευχαριστώ θερμά για την υποστήριξη και βοήθεια του. Ιδιαίτερη αναφορά θα ήθελα να κάνω στον διδάκτορα του τμήματος Μηχανικών Η/Υ και Πληροφορικής Χρήστο Αλεξάκο με τον οποίο είχα την ευκαιρία να συνεργαστώ μαζί του στα πλαίσια του έργου Εν-ΝΟΗΣΗΣ. Τον ευχαριστώ για τις τεχνικές γνώσεις που μου μετέδωσε αλλά και για το ευχάριστο κλίμα που πάντα διακατείχε τις συναντήσεις μας. Επίσης, πολύτιμη ήταν και η βοήθεια της ιατρού Νευρολόγου κ. Ταβιθά Βλάχου, καθώς η ιατρική γνώση που μου παρείχε αλλά και οι πληροφορίες για την κατανόηση της ιατρικής ορολογίας συνέβαλαν δραστικά στην ολοκλήρωση της παρούσας έρευνας. Η επίτευξη όμως αυτού του στόχου δεν θα μπορούσε να πραγματοποιηθεί χωρίς τη συμπαράσταση των φίλων και αγαπημένων μου προσώπων. Η υποστήριξη που μου παρείχαν με βοήθησε να αποκτήσω δύναμη και να προχωρώ πάντα μπροστά. Ευχαριστώ μέσα από την καρδιά μου τον αδερφό μου Κλήμη, τις αδερφικές μου φίλες Μάγδα και Ευγενία και τον καλό μου Γιάννη, που με ανέχονται και με ενθαρρύνουν σε κάθε μου προσπάθεια. Ιωάννα Παπανικολαΐδη Πάτρα, Οκτώβριος

8 8

9 Αφιερώνεται στη μαμά μου που δεν παύει ποτέ να αγωνίζεται. 9

10 10

11 ΠΕΡΙΕΧΟΜΕΝΑ 1 ΕΙΣΑΓΩΓΗ Αντικείμενο Διπλωματικής Δομή Διπλωματικής ΜΕΘΟΔΟΛΟΓΙΕΣ ΙΑΤΡΙΚΗΣ ΜΕΛΕΤΗΣ ΝΟΣΟΥ Περιγραφή Νόσου Επιδημιολογικά Στοιχεία Αιτιολογικοί Παράγοντες Στάδια Νόσου Κλινική Προσέγγιση Διαγνωστικές και Προγνωστικές Ταξινομήσεις Είδη Διαχωρισμού της Ασθένειας Ενδυνάμωση και Μέτρηση Νόσου Φαρμακευτική Θεραπεία Μη Φαρμακευτικές Παρεμβάσεις ΠΑΡΟΥΣΙΑΣΗ ΑΝΑΛΥΤΙΚΩΝ ΚΑΙ ΣΤΑΤΙΣΤΙΚΩΝ ΜΕΘΟΔΟΛΟΓΙΩΝ ΙΑΤΡΙΚΗΣ ΣΥΜΠΕΡΑΣΜΑΤΟΛΟΓΙΑΣ Η Εξόρυξη Δεδομένων και η Ανακάλυψη Γνώσης από Βάσεις Δεδομένων Τεχνικές Εξόρυξης Γνώσης από Βάσεις Δεδομένων Κατηγοριοποίηση Παλινδρόμηση Ανάλυση Χρονολογικών Σειρών Πρόβλεψη Συσταδοποίηση Παρουσίαση Συνόψεων Κανόνες Συσχέτισης Ανακάλυψη Ακολουθιών Αλγόριθμοι Κατηγοριοποίησης Αλγόριθμοι βασισμένοι στη Στατιστική Αλγόριθμοι βασισμένοι σε Δέντρα Απόφασης Αλγόριθμοι βασισμένοι σε Κανόνες Αλγόριθμοι βασισμένοι στην Απόσταση

12 3.3.5 Αλγόριθμοι βασισμένοι σε Νευρωνικά Δίκτυα Αλγόριθμοι βασισμένοι στα Support Vector Machines Αλγόριθμοι Συσταδοποίησης Ιεραρχικοί Αλγόριθμοι Διαμεριστικοί Αλγόριθμοι Εξόρυξη Γνώσης από Ιατρικά Δεδομένα Σχετική Έρευνα στην Εξόρυξη δεδομένων στην Νευρολογία ΠΡΟΤΕΙΝΟΜΕΝΗ ΙΑΤΡΙΚΗ ΣΥΜΠΕΡΑΣΜΑΤΟΛΟΓΙΑ Ιατρική Συμπερασματολογία στο Έργο Εν-ΝΟΗΣΗΣ Προδιαγραφές Ιατρικής Συμπερασματολογίας Μεθοδολογίες Ιατρικής Συμπερασματολογίας Παρουσίαση Δεδομένων και Μεταβλητών Καρτέλα Ασθενή Σενάρια ηλεκτρονικών παιχνιδιών Σενάρια δραστηριοτήτων καθημερινότητας Βϊοιατρικές μεταβλητές Προεπεξεργασία και Ανάλυση Δεδομένων Αλγόριθμος Ιατρικού Συμπεράσματος Διαφοροποίηση μεταβλητών στο χρόνο Αποτίμηση κατάστασης ασθενή ΥΛΟΠΟΙΗΣΗ ΣΥΣΤΗΜΑΤΟΣ Αρχιτεκτονική Πρωτοτύπου Ιατρικής Συμπερασματολογίας Διεπαφή με τρίτα συστήματα Υποσύστημα εντοπισμών διαφοροποίησης μεταβλητών στο χρόνο Βασική Λειτουργία Υποσυστήματος Ανάκτηση Δεδομένων από τη ΒΔ του Εν-ΝΟΗΣΗΣ Επεξεργασία Δεδομένων Μεταβλητών Απόφαση Ιατρικού Συμπεράσματος Αποθήκευση Δεδομένων στη ΒΔ του Εν-ΝΟΗΣΗΣ Υλοποίηση Πρωτοτύπου του υποσυστήματος εντοπισμών διαφοροποίησης μεταβλητών στο χρόνο Υποσύστημα αναγνώρισης κατάστασης ασθενούς Βασική Λειτουργία Υποσυστήματος Ανάκτηση Δεδομένων από τη ΒΔ του Εν-ΝΟΗΣΗΣ

13 5.4.3 Επεξεργασία Δεδομένων Μεταβλητών Απόφαση Ιατρικού Συμπεράσματος Αποθήκευση Δεδομένων στη ΒΔ του Εν-ΝΟΗΣΗΣ Υλοποίηση Πρωτοτύπου του υποσυστήματος αποτίμησης κατάστασης του ασθενή Χρονοπρογραμματισμός Εκτέλεσης Αλγορίθμων Αποθήκευση Αποτελεσμάτων Τεχνολογίες Υλοποίησης Αλγορίθμων Μορφή Παρουσίασης των Αποτελεσμάτων ΣΥΜΠΕΡΑΣΜΑΤΑ Αποτίμηση Έργου Το προφίλ του ασθενή Ηλικίες και κατάσταση συμμετεχόντων Πιλοτικές Δοκιμές στις εφαρμογές του Εν-ΝΟΗΣΗΣ Εξέλιξη Ασθενών στο Χρόνο Παρατηρήσεις Νευρολόγων Εξέταση μαρτύρων για την κατηγοριοποίηση των ασθενών Δυσκολίες κατά την εφαρμογή των ηλεκτρονικών δραστηριοτήτων Η συσκευή MYNDPLAY BrainBand Μελλοντικές Κατευθύνσεις ΒΙΒΛΙΟΓΡΑΦΙΑ ΠΑΡΑΡΤΗΜΑ

14 14

15 ΚΑΤΑΛΟΓΟΣ ΣΧΗΜΑΤΩΝ Εικόνα 1: Η διαδικασία Εξόρυξης Γνώσης από τα Δεδομένα (Fayyad, 1997) Εικόνα 2: Μοντέλα και Εργασίες στην Εξόρυξη Γνώσης από Δεδομένα Εικόνα 3: Η Διαδικασία της Κατηγοριοποίησης Εικόνα 4: Η Διαδικασία της Συσταδοποίησης Εικόνα 5: Αλγόριθμος Απόφασης Εικόνα 6: Βήματα Προ-επεξεργασίας Δεδομένων Εικόνα 7: Μεταβλητές ανά κατηγορία Εικόνα 8: Διχοτομικές Μεταβλητές ανά Λειτουργία Εικόνα 9: Συσχέτιση Λειτουργιών Μεταβλητών: Φασία - Πραξία Εικόνα 10: Συσχέτιση Λειτουργιών Μεταβλητών: Εκτελεστική Λειτουργία Εικόνα 11: Συσχέτιση Λειτουργιών Μεταβλητών: Λειτουργική Μνήμη Λεκτική Μνήμη Τοπογραφική Μνήμη Επεισοδιακή Μνήμη Εικόνα 12: Συσχέτιση Λειτουργιών Μεταβλητών: Βραχύχρονη Μνήμη Βραχύχρονη & Μακρόχρονη Λεκτική Μνήμη Βραχύχρονη & Μακρόχρονη Οπτική Μνήμη Εικόνα 13: Συσχέτιση Λειτουργιών Μεταβλητών: Κινητικότητα Ισορροπία Σχεδιασμός - Προγραμματισμός Εικόνα 14: Συσχέτιση Λειτουργιών Μεταβλητών: Οπτική Γνωσία Γνωσία Χώρου Γνωσία Εικόνα 15: Συσχέτιση Λειτουργιών Μεταβλητών: Προσανατολισμός Προσοχή Εικόνα 16: Συσχέτιση Λειτουργιών Μεταβλητών: Εργαζόμενη Μνήμη Οπτική Μνήμη Εικόνα 17: Συσχέτιση Λειτουργιών Μεταβλητών: Δείκτης Νευροψυχιατρικών Προβλημάτων Δείκτης Κατάθλιψης Ποιότητα Ύπνου Δείκτης Λειτουργικών Προβλημάτων Εικόνα 18: Αρχιτεκτονική συνολικού συστήματος του έργου Εν-ΝΟΗΣΗΣ Εικόνα 19: Αρχιτεκτονική Υποσυστήματος Ιατρικής Συμπερασματολογίας Εικόνα 20: Διάγραμμα Κλάσεων Διεπαφής ennoisismeddmservice Εικόνα 21: Στιγμιότυπο του WSDL της υπηρεσίας ennoisismeddmservice Εικόνα 22: Use Case Diagram Αλγόριθμος Υποσυστήματος Εντοπισμών Διαφοροποίησης Μεταβλητών στο Χρόνο Εικόνα 23: Activity Diagram Ανάκτηση Δεδομένων Εικόνα 24: Activity Diagram Επεξεργασία Δεδομένων Μεταβλητών για ένα συγκεκριμένο χρονικό παράθυρο Εικόνα 25: Activity Diagram - Απόφαση Ιατρικού Συμπεράσματος αλγορίθμου Διαφοροποίησης στο Χρόνο Εικόνα 26: Activity Diagram Αποθήκευση Δεδομένων στη ΒΔ του Εν-ΝΟΗΣΗΣ Εικόνα 27: Class Diagram Κλάση ennoisisdifferentiationtimeclass για υλοποίηση αλγορίθμου Εντοπισμών Διαφοροποίησης Μεταβλητών στο Χρόνο Εικόνα 28: Class Diagram Κλάση DIResultsValues για ανάκτηση και αποθήκευση δεδομένων στη ΒΔ του Εν-ΝΟΗΣΗΣ Εικόνα 29: Use Case Diagram Αλγόριθμος Υποσυστήματος Αναγνώρισης Κατάστασης Ασθενούς Εικόνα 30: Activity Diagram Ανάκτηση Δεδομένων από ΒΔ Εν-ΝΟΗΣΗΣ

16 Εικόνα 31: Activity Diagram Επεξεργασία Τιμών Μεταβλητών για μια δεδομένη χρονική στιγμή Εικόνα 32: Activity Diagram - Απόφαση Ιατρικού Συμπεράσματος αλγορίθμου Αποτίμησης κατάστασης ασθενή Εικόνα 33: Activity Diagram Αποθήκευση Δεδομένων στη ΒΔ του Εν-ΝΟΗΣΗΣ Εικόνα 34: Class Diagram Κλάση ennoisispatientstatusvaluationclass για υλοποίηση αλγορίθμου Αποτίμησης Κατάστασης Ασθενή Εικόνα 35: Class Diagram Κλάση GetValuationResultsValues για ανάκτηση και αποθήκευση δεδομένων στη ΒΔ του Εν-ΝΟΗΣΗΣ Εικόνα 36: Class Diagram Κλάση GetValuationVariables για παραγωγή διχοτομικών μεταβλητών Εικόνα 37: Πίνακες ΒΔ για αποθήκευση ιατρικής συμπερασματολογίας Εικόνα 38: Παράδειγμα παρουσίασης τιμών δεικτών απόκλισης για τις υπολογιζόμενες μεταβλητές Εικόνα 39: Παράδειγμα παρουσίασης σε γράφημα τιμών δεικτών απόκλισης μιας μεταβλητής στον χρόνο Εικόνα 40: Παράδειγμα παρουσίασης σκορ αποτίμησης κατάστασης ασθενή για τις λειτουργίες σε πίνακα τιμών Εικόνα 41: Παράδειγμα παρουσίασης σκορ αποτίμησης κατάστασης ασθενή για τις λειτουργίες σε διάγραμμα Εικόνα 42: Συσκευή MyndPlay BrainBand Εικόνα 43: Γραφικό Περιβάλλον Εφαρμογής MyndPlayer Pro

17 ΚΑΤΑΛΟΓΟΣ ΠΙΝΑΚΩΝ Πίνακας 1: Σενάρια Ηλεκτρονικών Παιχνιδιών Πίνακας 2: Συσχέτιση Λειτουργιών Σεναρίων Ηλεκτρονικών Παιχνιδιών Πίνακας 3: Συσχέτιση Σεναρίων Ηλεκτρονικών Παιχνιδιών Μεταβλητών Πίνακας 4: Σενάρια Δραστηριοτήτων Καθημερινότητας Πίνακας 5: Συσχέτιση Λειτουργιών - Σεναρίων Δραστηριοτήτων Καθημερινότητας Πίνακας 6: Συσχέτιση Σεναρίων Δραστηριοτήτων Καθημερινότητας Μεταβλητών Πίνακας 7: Βϊοιατρικές Μεταβλητές Πίνακας 8: Μεταβλητές που συμμετέχουν στον αλγόριθμο ιατρικής απόφασης Πίνακας 9: Δομή πίνακα cognitive_functionalities Πίνακας 10: Δομή πίνακα di_types Πίνακας 11: Δομή πίνακα time_differentiation_results Πίνακας 12: Δομή πίνακα user_valuation_results Πίνακας 13: Δομή πίνακα variables Πίνακας 14: Παραδείγματα Αποτελεσμάτων Κλινικής Αξιολόγησης Ασθενών Πίνακας 15: Μεταβλητές Ηλεκτρονικών Παιχνιδιών Πίνακας 16: Μεταβλητές Σεναρίων Δραστηριοτήτων Καθημερινότητας Πίνακας 17: Μεταβλητές Δοκιμασιών Screening Test

18 18

19 Περίληψη Οι ανοϊκές διαταραχές είναι το αποτέλεσμα μιας ή περισσοτέρων παθολογικών διαδικασιών που μπορούν να αλλάξουν δραστικά τη συμπεριφορά του ατόμου και σταδιακά να φθείρουν το μυαλό και τη ζωή ασθενών και φροντιστών. Στόχος της παρούσας έρευνας είναι η διευκόλυνση και η υποβοήθηση των θεραπόντων ιατρών στην παρακολούθηση των παρεχόμενων θεραπειών. Με την βοήθεια του ιστορικού προφίλ των εξεταζόμενων αλλά και την εξαγωγή στατιστικών στοιχείων δίνεται η δυνατότητα στους ιατρούς να υποστηρίζουν τις θεραπευτικές τους αποφάσεις και να παρεμβαίνουν όταν κρίνεται απαραίτητο. Η συλλογή, η ανάλυση και η επεξεργασία μεγάλου όγκου δεδομένων απαιτεί την υλοποίηση ενός αλγορίθμου στατιστικής μάθησης ώστε να εξαχθεί το ιατρικό συμπέρασμα. Ο αλγόριθμος που μελετήθηκε έχει διπλή σκοπιμότητα. Αρχικά υλοποιήθηκε ένα υποσύστημα εντοπισμού διαφοροποίησης μεταβλητών στο χρόνο. Το σύστημα αυτό ανιχνεύει τις αλλαγές των μεταβλητών σε σύγκριση με προγενέστερες καταστάσεις του ίδιου του εξεταζόμενου λόγω εξέλιξης της νόσου ή λόγω ενδυναμωτικών παρεμβάσεων. Ταυτόχρονα ένα δεύτερο υποσύστημα εκτιμά μέσω ενός ποσοτικού μέτρου την κατάσταση του εξεταζόμενου. Το πρωτότυπο σύστημα ιατρικής συμπερασματολογίας στοχεύει έπειτα από σχετικό αίτημα μιας κλινικής πλατφόρμας να ανακτά τα δεδομένα από τη κεντρική βάση δεδομένων της πλατφόρμας, να τα επεξεργάζεται σύμφωνα με τους προτεινόμενους αλγορίθμους και να αποστέλλει πίσω στο αιτούν σύστημα τα αποτελέσματα που προκύπτουν. Το σύστημα έχει τη δυνατότητα αποθήκευσης των αποτελεσμάτων αυτών στη βάση δεδομένων της κλινικής πλατφόρμας για μεταχρονολογημένη ανάκτηση. Λέξεις Κλειδιά Ήπια Νοητική Διαταραχή, νόσος Alzheimer, βιοϊατρικά δεδομένα, εξόρυξη δεδομένων, στατιστικές μέθοδοι, ιατρική συμπερασματολογία 19

20 20

21 Abstract The mild cognitive impairment is the result of one or more pathogenic procedures that can dramatically change the person's behavior and gradually impair both patients and carers mind and life. The purpose of this research is to assist doctors supervising the providing treatments and supporting their decisions via statistics and medical history of the patient. The mining, processing and analysis of big data call for a statistical machine learning algorithm which provides medical inference. This algorithm has dual feasibility. At first was created a subsystem that can track changes in variables' values in time. This system detects the changes in variables in comparison to earlier state of the patient due to evolution of the disease or empowering erventions. The second subsystem estimates the current condition of the patient. This prototype system collects and processes data according to the proposed algorithms and stores them in the database of the clinical platform for post-date usage. Index Terms Mild cognitive impairment, Alzheimer s disease, biomedical data, data mining, statistical methods, medical inference 21

22 22

23 1 ΕΙΣΑΓΩΓΗ It is the mark of an educated mind to be able to entertain a thought without accepting it. Aristotle Άνοια είναι ένας περιγραφικός όρος που αφορά ένα σύνολο συμπτωμάτων μιας μεγάλης ομάδας ασθενειών, οι οποίες προκαλούν σταδιακή έκπτωση της λειτουργίας του εγκεφάλου. Η άνοια προσβάλλει την μνήμη, την σκέψη, την ομιλία, την κρίση, την προσωπικότητα και την συμπεριφορά, και αφορά συνήθως άτομα άνω των 65 χρονών. Έχουν περιγραφεί πολλές διαφορετικές μορφές άνοιας με την καθεμία να έχει τις δικές της αιτίες. Οι διάφοροι τύποι άνοιας μπορεί να οφείλονται σε νευρολογικά καθώς και μη νευρολογικά νοσήματα όπως είναι π.χ. το μεταβολικό σύνδρομο (Τσολάκη, 2008) (Παπαναγιώτου, 2008). Αν και ο κυριότερος παράγοντας κινδύνου για την άνοια είναι το γήρας, η κληρονομικότητα δε παύει να είναι εξέχουσας σημασίας. Η νόσος του Alzheimer είναι μια νευροεκφυλιστική νόσος του Κεντρικού Νευρικού Συστήματος, που χαρακτηρίζεται στην ήπια μορφή της από σταδιακή απώλεια της μνήμης και περιορισμό των υπόλοιπων νοητικών λειτουργιών του εγκεφάλου. Πήρε το όνομά της από τον Alois Alzheimer, έναν Γερμανό ψυχίατρο και νευροπαθολόγο, ο οποίος το 1907 περιέγραψε πρώτος τα συμπτώματα και τα νευροπαθολογοανατομικά ευρήματα της νόσου. Η νόσος Alzheimer είναι μια νόσος της «τρίτης ηλικίας», παρόλο που σποραδικά συναντώνται περιστατικά και σε μικρότερες των 65 ετών ηλικίες. Η έγκαιρη διάγνωση είναι πολύ σημαντική για την αποτελεσματικότερη διαχείριση της νόσου από τον ίδιο τον ασθενή και από τους φροντιστές του αλλά και τη διασφάλιση της ποιότητας ζωής του (Alzheimer Hellas, 2015). 1.1 ΑΝΤΙΚΕΙΜΕΝΟ ΔΙΠΛΩΜΑΤΙΚΗΣ Η παρούσα διπλωματική εργασία έχει ως σκοπό να υποβοηθήσει τη γενικότερη πλατφόρμα που αναπτύχθηκε στα πλαίσια του έργου Σύστημα διάχυτης Νοημοσύνης για την Πρόγνωση, Διάγνωση, Παρακολούθηση και Ενδυνάμωση ασθενών με Νοητικές Διαταραχές (Εν-ΝΟΗΣΗΣ) ώστε να προσφέρει μια νέα συνεργατική προσέγγιση μεταφραστικής έρευνας στα νοσήματα Νοητικών Διαταραχών. Σκοπός της διπλωματικής αλλά και της γενικότερης ιδέας του έργου Εν-ΝΟΗΣΗΣ είναι: Η διαρκής αποτίμηση της κατάστασης (προγραμματισμένη και μη) ενός ασθενή κατ οίκον με ΗΝΔ και η συνεχής παρακολούθηση βιολογικών αλλά και περιβαλλοντικών παραμέτρων, με κύριο σκοπό την δημιουργία νέων βιολογικών δεικτών (markers) οι οποίοι θα βοηθήσουν στην έγκαιρη διάγνωση και πρόληψη της ΗΝΔ. Η παροχή καινοτόμων εφαρμογών ενδυνάμωσης των νοητικών ικανοτήτων των χρηστών με χρήση καινοτόμων τεχνολογιών εικονικής πραγματικότητας, παιχνιδιών κα. 23

24 Η δυνατότητα καταγραφής του ιστορικού των ασθενών, καθώς και επιλεγμένων φαρμακευτικών και μη παρεμβάσεων θα παρέχουν σε ιατρούς ικανοποιητικές πληροφορίες και ικανές στατιστικές αναλύσεις οι οποίες θα τους βοηθούν να μελετούν καλύτερα την εξέλιξη των νοσημάτων αυτών και να εντοπίζουν νέες μεθόδους αντιμετώπισής αυτών. Η παρακολούθηση και η καταγραφή της ομαλής και ορθής εκτέλεσης μη φαρμακευτικών παρεμβάσεων στο σπίτι με στόχο την εξατομικευμένη προσαρμογή αυτών αλλά και την έγκαιρη παρέμβαση των περιθαλπόντων ιατρών όταν κρίνεται απαραίτητο. Έτσι θα επιτυγχάνεται η εξατομικευμένη παραμετροποίηση των εκάστοτε θεραπειών ανάλογα με τις δυνατότητες και τις προτιμήσεις των χρηστών. Η διευκόλυνση και υποβοήθηση των θεραπόντων ιατρών να παρακολουθούν τις παρεχόμενες θεραπείες και να μπορούν με την βοήθεια του ιστορικού προφίλ χρηστών αλλά και εξαγόμενων στατιστικών στοιχείων να υποστηρίζουν τις θεραπευτικές τους αποφάσεις/ παρεμβάσεις. Η παρακολούθηση της καθημερινής συμπεριφοράς των ασθενών και της γενικότερης ψυχολογικής τους κατάσταση με στόχο την έγκαιρη διάγνωση συμπτωμάτων κρίσιμων καταστάσεων με το χρόνο καθώς και της άμεσης ενεργοποίησης καταστάσεων ανάδρασης (χορήγηση νέων φαρμάκων, αλλαγή προγράμματος ασκήσεων, εισαγωγή στο νοσοκομείο). Η επέμβαση όταν παραστεί ανάγκη για την αποφυγή της επιδείνωσης της κατάστασης των ασθενών. Αυτό προϋποθέτει την ανάπτυξη ενός ολοκληρωμένου συστήματος ιατρικής μέριμνας, την διερεύνηση μεθόδων ενσωμάτωσης τεχνημάτων και καθημερινών αντικειμένων με τεχνολογίες «έξυπνου σπιτιού», την επαύξηση υπαρχουσών τεχνικών και αλγορίθμων επεξεργασίας σήματος και ανάλυσης δεδομένων. Η υλοποίηση ενός πρωτότυπου που να αποδεικνύει την εφικτότητα και την αξία του όλου εγχειρήματος και θα περιέχει τους σχετικούς αισθητήρες, τις συσκευές συλλογής δεδομένων, τους αλγορίθμους και την δικτύωση στο πλαίσιο ενός τυπικού οικιακού περιβάλλοντος. Η δημιουργία των απαραίτητων εκείνων συνθηκών, οι οποίες θα επιτρέψουν την μεταφορά της βασικής και κλινικής έρευνας όσον αφορά τα νευροεκφυλιστικά νοσήματα στην κλινική πρακτική με την συμμετοχή ασθενών, περιθαλπόντων και ιατρών. Το έργο εστίασε κυρίως σε ασθενείς με ΗΝΔ, με νευροεκφυλιστικά νοσήματα όπως νόσος Alzheimer και Parkinson καθώς και άλλες μορφές άνοιας αλλά και σε υγιείς ηλικιωμένους, οι οποίοι εκφράζουν συνεχώς τις φοβίες τους και ανησυχίες τους για τις συγκεκριμένες νόσους. Η προληπτική υποστήριξη ασθενών/ χρηστών και η καθημερινή παρακολούθηση της κατάστασης της υγείας ακολουθούμενη από ανάλυση και προσδιορισμό των σχετικών τάσεων, μπορεί να θεωρηθεί ως ένα σύστημα έγκαιρης αλλά και διαρκής προειδοποίησης. Επίσης η διατήρηση ή και αύξηση της αυτονομίας, της ανεξαρτησίας και της γενικότερης ποιότητας ζωής των ασθενών αποτελούν θεμελιώδεις στόχους του έργου. 24

25 Συνδυαστικά με τις ανάγκες του έργου Εν-ΝΟΗΣΗΣ αλλά και της τάσης που επικρατεί σήμερα για επένδυση στην έρευνα του εγκεφάλου και ειδικά στο χώρο της υγείας καθώς η ανάγκη για την αποκατάσταση του γηραιού πληθυσμού παγκοσμίως λόγω νευροεκφυλιστικών παθήσεων γίνεται ολοένα πιο επιτακτική, δόθηκε η ιδέα για τη συγγραφή και υλοποίηση της παρούσα διπλωματικής. Στηριζόμενη, λοιπόν στα πλαίσια των μεθόδων μηχανικής που επικρατούν σήμερα, μελετήθηκε και αναλύθηκε η υλοποίηση ενός αλγορίθμου ιατρικής συμπερασματολογίας που σκοπό έχει την εξ αποστάσεως παρακολούθηση ασθενών με νοητικές διαταραχές και τον έλεγχο αυτών για την πορεία της νοητικής τους υγείας. Συγκεκριμένα οι μέθοδοι μηχανικής που υλοποιούνται σήμερα σε ότι αφορά τη διάγνωση χαρακτηρίζονται από δύο κατευθύνσεις. Η πρώτη είναι η επεξεργασία σήματος και εικόνας, η οποία αυτό-αξιολογείται ως το καλύτερο εργαλείο για την έγκαιρη και ακριβή διάγνωση της ΗΝΔ και άρα επακόλουθων νευροεκφυλιστικών παθήσεων όπως η νόσος Alzheimer. Σε αυτή την κατεύθυνση γίνεται χρήση εικόνων Μαγνητικής Τομογραφίας (MRI) και Υπολογιστικής Τομογραφίας (CT) του εγκεφάλου, όπου σε συνδυασμό με σκορ από γνωσιακά τεστ και τη χρήση μαθηματικών μεθόδων και συγκρινόμενα με υγιή αποτελέσματα δίνουν τις ανάλογες κλινικές αποφάσεις. Η δεύτερη κατεύθυνση αφορά τα διαγνωστικά τεστ λογισμικού και τα εργαλεία λογισμικού αποκατάστασης ατόμων με ΗΝΔ. Τα συγκεκριμένα χαρακτηρίζονται ως μη επιθετικές τεχνικές και μορφές εργαλείων που βασίζονται σε εκτεταμένες μελέτες της νευρολογίας, ψυχιατρικής και ψυχολογίας. Οι τεχνικές αυτές, τα λεγόμενα neurobics, στηρίζονται στη διάδραση του χρήστη με τον υπολογιστή και τον διευκολύνουν να διεκπεραιώσει τη ψυχομετρική δοκιμή ή τις ασκήσεις εγκεφάλου αποσκοπώντας στη καλύτερη δυνατή υγεία του και άρα αποκατάσταση του. Η πιο δημοφιλής αλλά και ευρέως εφαρμόσιμη τεχνική είναι τα λογισμικά εργαλεία. Είτε σε ότι αφορά τη διάγνωση, είτε σε ότι αφορά την υποστήριξη και βελτίωση των ατόμων με ΗΝΔ. Τα συστήματα λογισμικού που έχουν αναπτυχθεί είναι ποικίλα και αναφέρονται σε ψυχομετρικά τεστ και ασκήσεις εγκεφάλου. Οι ψυχομετρικές δοκιμές λογισμικού βασιζόμενοι σε τεστ χαρτιού και μολυβιού, μπορεί να είναι άμεσα διαθέσιμες τόσο στους ειδικούς υγείας όσο και στους ασθενείς. Η έρευνα σε αυτό το πεδίο κυμαίνεται κυρίως στην επιστήμη υπολογιστών, την τεχνητή νοημοσύνη, τις τεχνικές παιγνίων και την εικονική πραγματικότητα. Τα τελευταία χρόνια με την εξέλιξη των εργαλείων και της τεχνικής υλοποίησης αλγορίθμων, έχουν δημιουργηθεί πλατφόρμες σε δημόσιους ιστότοπους και μη. Η παρούσα διπλωματική, λοιπόν, θα παρουσιάσει αναλυτικά την σχετική έρευνα του αλγορίθμου ιατρικής συμπεραματολογίας που ανέλαβε να διεξάγει η ομάδα του Πανεπιστήμιου Πατρών. Παράλληλα, παρουσιάζει λεπτομερώς την υλοποίηση του συστήματος που αναπτύχθηκε, το οποίο επεξεργάζεται εξ αποστάσεως και σε τακτά καλά καθορισμένα χρονικά διαστήματα, τα δεδομένα που προέρχονται από τα συστήματα λογισμικού ανά χρήστη/ ασθενή με σκοπό να παράγει και να αποθηκεύει στη βάση δεδομένων του έργου τα αποτελέσματα της πορείας των ασθενών που συμμετέχουν στην ερευνητική αυτή εργασία. 25

26 1.2 ΔΟΜΗ ΔΙΠΛΩΜΑΤΙΚΗΣ Η παρούσα διπλωματική εργασία δομείται σε 6 κεφάλαια. Στο παρόν κεφάλαιο γίνεται μια παρουσίαση του αντικειμένου που πραγματεύεται η εργασία αυτή καθώς και του στόχου που καλείται να ικανοποιήσει. Το κεφάλαιο 2 περιγράφει λεπτομερώς την άνοια και την εξέλιξη της σε νόσο Alzheimer, αναλύοντας τα επιδημιολογικά της στοιχεία, τους αιτιολογικούς της παράγοντες και τα στάδια της. Στη συνέχεια περιγράφεται τι περιλαμβάνει η μέχρι σήμερα κλινική προσέγγιση της νόσου Alzheimer δηλαδή τι περιλαμβάνει η διάγνωση της. Επίσης αναλύονται οι διαγνωστικές και προγνωστικές της ταξινομήσεις, δηλαδή τα είδη των διαταραχών που υπάρχουν εμφανίζοντας συμπτώματα άνοιας. Τέλος, περιγράφεται ο τρόπος ενδυνάμωσης και μέτρησης της νόσου Alzheimer που ακολουθείται από τους γιατρούς μέχρι σήμερα. Στο κεφάλαιο 3 παρουσιάζονται ποικίλες αναλυτικές και στατιστικές μεθοδολογίες ώστε να γίνει κατανοητή η επεξεργασία και η συλλογή μεγάλου όγκου δεδομένων, τα οποία κατόπιν ανάλυσης να μπορούν να οδηγήσουν στην ανεύρεση «γνώσης». Αρχικά γίνεται παρουσίαση της εξόρυξης δεδομένων και της ανακάλυψης γνώσης από βάσεις δεδομένων και περιγράφονται οι τεχνικές εξόρυξης γνώσης. Στη συνέχεια περιγράφονται οι βασικότεροι αλγόριθμοι κατηγοριοποίησης και συσταδοποίησης. Τέλος, παρουσιάζονται οι μεθοδολογίες που χρησιμοποιούνται στα ιατρικά δεδομένα ώστε να γίνει κατανοητή η μεθοδολογία που προτείνεται στην παρούσα διπλωματική. Το κεφάλαιο 4 αποτελεί ένα από τα σημαντικότερα κεφάλαια της παρούσας εργασίας καθώς περιγράφει λεπτομερώς την προτεινόμενη ιατρική συμπερασματολογία. Αρχικά παρουσιάζονται οι προδιαγραφές του ζητούμενου συστήματος βασιζόμενου στο έργο Εν- ΝΟΗΣΗΣ. Στη συνέχεια γίνεται η παρουσίαση των δεδομένων και των μεταβλητών που είναι διαθέσιμα από το έργο ώστε να τροφοδοτηθεί ο αλγόριθμος ιατρικής απόφασης. Αφού γίνει η προ-επεξεργασία κι η ανάλυση των δεδομένων αυτών η παρούσα εργασία καταλήγει στην παρουσίαση των αδυναμιών που προκύπτουν ώστε να γίνει αντιληπτός ο τελικός σχεδιασμός του αλγορίθμου που αποφασίστηκε να υλοποιηθεί. Στο κεφάλαιο 5 παρουσιάζεται η υλοποίηση του συστήματος ιατρικής απόφασης που αποτελεί ένα ανεξάρτητο υποσύστημα της ευρύτερης πλατφόρμας του έργου Εν-ΝΟΗΣΗΣ. Αρχικά αναλύεται η αρχιτεκτονική του καθώς και η αλληλεπίδραση του με τα τρίτα συστήματα του έργου. Με στόχο την ιατρική συμπερασματολογία για την υποβοήθηση ασθενών με άνοια και νόσο Alzheimer υλοποιήθηκαν δύο αλγόριθμοι. Ο πρώτος αφορά στον εντοπισμό διαφοροποίησης μεταβλητών στο χρόνο και ο δεύτερος στην αναγνώριση κατάστασης ασθενούς. Στο παρόν κεφάλαιο αναλύονται οι αλγόριθμοι αυτοί και παρουσιάζεται λεπτομερώς η υλοποίηση τους, η αποθήκευση των αποτελεσμάτων τους στη βάση δεδομένων του συνολικού έργου και η παρουσίαση του τελικού συμπεράσματος. Το κεφάλαιο 6 αποτελεί τον επίλογο της διπλωματικής αυτής εργασίας καθώς αναφέρεται στην αποτίμηση του έργου της παρούσας διπλωματικής και στα συμπεράσματα του Πανεπιστημίου Πατρών από την ενασχόληση του με το έργο Εν-ΝΟΗΣΗΣ. Τέλος, γίνονται προτάσεις για μελλοντική ανάλυση και μελέτη της εργασίας που παρουσιάστηκε και οι οποίες προέκυψαν κατά την πορεία αυτής της εργασίας και τις οποίες δεν έχει καλύψει το παρόν έργο. 26

27 2 ΜΕΘΟΔΟΛΟΓΙΕΣ ΙΑΤΡΙΚΗΣ ΜΕΛΕΤΗΣ ΝΟΣΟΥ Age is an issue of mind over matter. If you don t mind, it doesn t matter. M. Twaln Η απώλεια μνήμης που συνδέεται με τη νόσο έχει πολλά πρόσωπα. Οι ανοϊκές διαταραχές είναι το αποτέλεσμα μιας ή περισσότερων παθολογικών διαδικασιών που μπορούν να αλλάξουν δραστικά τη συμπεριφορά του ατόμου και σταδιακά να καταστρέψουν το μυαλό και τη ζωή ασθενή και φροντιστών. Η διάγνωση της άνοιας και της νόσου Alzheimer βασίζεται στο ιστορικό του ασθενούς και σε μια λεπτομερή κλινική εξέταση η οποία περιλαμβάνει νευρολογική εξέταση, ψυχομετρικές δοκιμασίες και εξέταση νοητικής κατάστασης. Είναι μια επίπονη διαδικασία που βασίζεται στην εις άτοπο απαγωγή. Η νόσος Alzheimer αποτελεί μια επιδημία με δυσβάσταχτες συνέπειες για τους ασθενείς και τις οικογένειες τους αλλά και για ολόκληρη την κοινωνία. Για αυτό το λόγο η αντιμετώπιση της χρίζει περαιτέρω μελέτης. 2.1 ΠΕΡΙΓΡΑΦΗ ΝΟΣΟΥ Η νόσος Alzheimer είναι μια προοδευτική ασθένεια του εγκεφάλου, που σταδιακά προκαλεί έκπτωση της μνήμης του ασθενούς και άλλων νοητικών λειτουργιών όπως η προσοχή, η συγκέντρωση, η σκέψη και η γλώσσα. Ο ασθενής χάνει τη δυνατότητά του να μαθαίνει, να σκέφτεται λογικά και να κρίνει, να επικοινωνεί και όσο η νόσος εξελίσσεται ο ασθενής παύει να διεκπεραιώνει δραστηριότητες της καθημερινής ζωής, όπως το μπάνιο και το φαγητό, με αποτέλεσμα να εξαρτάται ολοκληρωτικά από τους άλλους. Καθώς η νόσος επιδεινώνεται, οι ασθενείς μπορεί επίσης να παρουσιάζουν αλλαγές στην προσωπικότητα και διαταραχές στη συμπεριφορά τους, όπως επιθετικότητα, απάθεια, διαταραχές ύπνου και όρεξης, άγχος, νευρικότητα, καχυποψία, υπερκινητικότητα ή ακόμη να έχουν αυταπάτες ή παραισθήσεις Επιδημιολογικά Στοιχεία Ο αριθμός των ασθενών που πάσχουν από νοητικές διαταραχές και άνοια αυξάνεται συνεχώς. Υπολογίζεται ότι το 2040 ο αριθμός των ασθενών με άνοια θα πλησιάσει τα 100 εκατομμύρια και οι ιατροί θα βρεθούν μπροστά σε αυτό το φαινόμενο χωρίς να έχουν τη δυνατότητα να θέσουν με ακρίβεια τη διάγνωση αυτών. Στην Ελλάδα σήμερα πάσχουν από τη συχνότερη μορφή άνοιας την άνοια τύπου Alzheimer περίπου 160 χιλιάδες, και υπολογίζεται ότι το 2040 ο αριθμός αυτός θα φτάσει τις 560 χιλιάδες. Επομένως, πρέπει να υπάρξει επιστημονική και κοινωνική προετοιμασία για την αντιμετώπιση αυτής της μάστιγας. Επειδή υπάρχει πολύ μεγάλη ετερογένεια στην εξέλιξη της νόσου του Alzheimer, η πρόβλεψη της πορείας της νόσου από τους ειδικούς κρίνεται πολύ δύσκολη. Δυστυχώς ενώ μέχρι σήμερα γίνονται εντατικές προσπάθειες από τους επιστήμονες αναφορικά με πρόγνωση και αναστολή των νευροεκφυλιστικών νοσημάτων ΗΝΔ, νόσος Αlzheimer κτλ.), δεν γνωρίζουμε πως μπορούμε να προλάβουμε ή να αναστείλουμε ικανοποιητικά την εμφάνιση των νοσημάτων αυτών. Σχετικές μελέτες έχουν δείξει πως εάν βρεθεί φάρμακο ή μέθοδος που θα καθυστερεί την εμφάνιση της νόσου Alzheimer κατά 5 χρόνια θα ελαττωθεί ο απόλυτος αριθμός των ασθενών κατά 50%. 27

28 2.1.2 Αιτιολογικοί Παράγοντες Οι αιτίες της νόσου Alzheimer δεν έχουν μέχρι τώρα διαλευκανθεί. Παρόλα αυτά η σταδιακή απώλεια της εγκεφαλικής λειτουργίας που χαρακτηρίζει τη νόσο φαίνεται να οφείλεται κυρίως σε δύο μορφές νευρικής βλάβης, τα νευροϊνιδιακά δεμάτια και τις νευριτικές πλάκες. Ως νευροϊνιδικά δεμάτια αναφέρεται ο αφύσικα υψηλός αριθμός περιελιγμένων πρωτεϊνικών θραυσμάτων που παρατηρείται στους νευρώνες ασθενών με Alzheimer, ενώ οι υψηλές συγκεντρώσεις νεκρών και νεκρούμενων νευρώνων, άλλων εγκεφαλικών κυττάρων και πρωτεΐνης αναφέρονται ως νευριτικές πλάκες. Όταν καταστρέφονται οι νευρώνες, μειώνονται οι χημικές ουσίες που βοηθούν τα νευρικά κύτταρα να στέλνουν μηνύματα μεταξύ τους, γεγονός που επηρεάζει τη σκέψη, τη μνήμη και τη συμπεριφορά. Επίσης όσο μεγαλύτερος είναι ο αριθμός των πλακών, των δεματίων και του σχετικού κυτταρικού θανάτου, τόσο μεγαλύτερος είναι ο βαθμός διαταραχής στη νοητική λειτουργία του ατόμου. Ακόμα μία ανωμαλία που παρατηρείται ως πιθανή αιτία της νόσου Alzheimer είναι η χολινεργική υπόθεση. Αυτή η υπόθεση προκαλείται από τη μειωμένη του νευροδιαβιβαστή ακετυλοχολίνη που παρατηρείται στους εγκεφαλικούς ιστούς των ασθενών. Η απουσία αυτού του νευροδιαβιβαστή έχει ως αποτέλεσμα τα μηνύματα του εγκεφάλου να μην μπορούν να μεταφερθούν από νευρώνα σε νευρώνα, πράγμα που καθιστά την μεταβίβαση πληροφοριών δύσκολη. (Mooney, 2014) Ο λόγος σχηματισμού πλακών και δεματίων και του θανάτου των κυττάρων που παράγουν ακετυλοχολίνη είναι άγνωστος μέχρι σήμερα. Παρόλα αυτά προτάθηκε επίσης η θεωρία ότι οι βήτα αμυλοειδείς (Αβ) συγκεντρώσεις είναι η κύρια αίτια της νόσου. Συγκεκριμένα ο σημαντικότερος γενετικός παράγοντας κινδύνου για το Alzheimer εντοπίστηκε ως το γονίδιο που παράγει την απολιποπρωτεΐνη E (ApoE), η οποία βοηθά τη μεταφορά της χοληστερόλης στο αίμα. Η συγκεκριμένη πρωτεΐνη οδηγεί στην υπερβολική αμυλοειδή συγκέντρωση στον εγκέφαλο, πριν προκύψουν τα συμπτώματα Alzheimer. Κατά συνέπεια, η απόθεση Aβ στον εγκέφαλο προηγείται του Alzheimer. (Νόσος Αλτσχάιμερ, 2015) Ενώ πολλές από αυτές τις θεωρίες είναι ακόμη υπό μελέτη, είναι σαφές ότι οι μεγαλύτεροι παράγοντες κινδύνου που συνδέονται με την ανάπτυξη της νόσου Alzheimer είναι η αυξανόμενη ηλικία και το οικογενειακό ιστορικό. 2.2 ΣΤΑΔΙΑ ΝΟΣΟΥ Καθώς υπάρχει μεγάλη ετερογένεια στην εξέλιξη της νόσου Alzheimer η πρόβλεψη της πορείας του ασθενή από τους ειδικούς καθίσταται πολύ δύσκολη. Για αυτό το λόγο έχουν αναπτυχθεί πολλές κλίμακες κατηγοριοποίησης των ασθενών ανάλογα με τη σοβαρότητα της νόσου. Μία από τις γνωστότερες κλίμακες σταδιοποίησης της νόσου είναι η κλίμακα του Reisberg, η οποία χωρίζει τη γνωστική έκπτωση σε 7 στάδια άνοιας. Τα στάδια αυτά είναι τα εξής: 28

29 1. Φυσιολογική κατάσταση. Τα άτομα είναι ελεύθερα από υποκειμενικά ή αντικειμενικά νοητικά ή λειτουργικά συμπτώματα και δεν παρουσιάζουν αλλαγές στη διάθεση και τη συμπεριφορά. 2. Φυσιολογική διαταραχή της μνήμης. Τα μισά ή και περισσότερα άτομα ηλικίας μεγαλύτερης των 65 ετών παραπονιούνται για νοητικές και /ή λειτουργικές διαταραχές. Η φύση αυτών των παραπόνων είναι χαρακτηριστική. Ηλικιωμένα άτομα με αυτά τα συμπτώματα πιστεύουν ότι δεν μπορούν πια να θυμηθούν ονόματα τόσο καλά όσο μπορούσαν πριν 5-10 χρόνια. Συχνά επίσης αναπτύσσουν την πεποίθηση ότι δεν μπορούν πια να θυμηθούν που έχουν τοποθετήσει τα προσωπικά τους αντικείμενα. Συχνά παραπονιούνται για διαταραχές στη συγκέντρωση και δυσκολία στην ανεύρεση της κατάλληλης λέξης σε μια δεδομένη στιγμή. Υπάρχουν πρόσφατες ενδείξεις ότι αυτά τα άτομα εκπίπτουν συντομότερα από άτομα της ίδιας ηλικίας που δεν παραπονιούνται για παρόμοια προβλήματα. 3. Ήπια Νοητική Διαταραχή. Τα πρόσωπα σε αυτό το στάδιο εκδηλώνουν διαταραχές που είναι ύπουλες αλλά γίνονται αντιληπτές από τα άτομα του περιβάλλοντός τους. Ο ασθενής μπορεί να επαναλαμβάνει ερωτήσεις, εάν εργάζεται μπορεί να πέφτει η απόδοσή του, εάν χρειάζεται να μάθει καινούργιες διαδικασίες όπως να μάθει να χειρίζεται υπολογιστή - η αδυναμία του είναι εμφανής. Αδυναμία να οργανώσει μια γιορτή. Άλλα άτομα παρουσιάζουν διαταραχές στη συγκέντρωση. Πολλά άτομα με παρόμοια συμπτώματα βιώνουν άγχος που είναι ιδιαίτερα εμφανές. Η πρόγνωση αυτών των ατόμων ποικίλλει ακόμη και εάν επιλεγεί μία ομάδα ατόμων που είναι ελεύθερη από άλλα ιατρικά ή ψυχολογικά προβλήματα. Ένα ποσοστό των ατόμων αυτών δεν παρουσιάζει επιδείνωση για πολλά χρόνια, η πλειονότητα ωστόσο των ανθρώπων αυτών εκπίπτουν σε 2-4 χρόνια, αν και η πραγματική διάρκεια αυτού του σταδίου θεωρείται ότι είναι 7 χρόνια. Εάν τα άτομα αυτά δε χρειάζεται να επιδίδονται σε σύνθετες επαγγελματικές ή κοινωνικές δραστηριότητες τότε δεν είναι δυνατόν να γίνει αντιληπτό από τους οικείους το στάδιο αυτό. Η αντιμετώπιση αυτών των ατόμων γίνεται με συμβουλευτική έτσι ώστε να συνεχίσουν να επιδίδονται σε σύνθετες και απαιτητικές δραστηριότητες. Μερικές φορές βέβαια κάποια «στρατηγική απόσυρσης» με τη μορφή της σύνταξης μπορεί να απαλύνει το ψυχολογικό στρες και να ελαττώσει το υποκειμενικό άγχος. 4. Ήπια Νόσος Alzheimer. Τα συμπτώματα είναι εμφανή σ αυτό το στάδιο. Ο ασθενής δεν θυμάται σημαντικά πρόσφατα γεγονότα όπως είναι οι διακοπές ή πρόσφατη επίσκεψη σε συγγενή. Γίνονται επίσης έκδηλα λάθη στον προσανατολισμό στο χρόνο, όπως δεν θυμάται την ημέρα, το μήνα, την εποχή ή το χρόνο. Σ αυτό το στάδιο οι ασθενείς θυμούνται τη διεύθυνσή τους. Επίσης σωστά αναφέρουν τις καιρικές συνθήκες, όπως επίσης και πολύ σημαντικά επίκαιρα γεγονότα όπως είναι το όνομα του πρωθυπουργού της χώρας. Παρά τα έκδηλα νοητικά προβλήματα, οι ασθενείς μπορούν να επιβιώσουν ανεξάρτητα στο σπίτι τους. Ωστόσο οι λειτουργικές ικανότητες παρουσιάζουν προβλήματα ιδιαίτερα όταν είναι σύνθετες, όπως η διαχείριση των οικονομικών. Ο ασθενής του σταδίου αυτού όταν μένει μόνος δεν πληρώνει το ενοίκιο ή άλλους λογαριασμούς. Ο/ η σύζυγος διαπιστώνει προβλήματα στη γραφή της σωστής ημερομηνίας και του σωστού ποσού στις επιταγές. Επίσης 29

30 παρατηρείται δυσκολία στην αγορά τροφίμων και λαχανικών. Άτομα που προηγουμένως ετοίμαζαν γεύματα για μέλη της οικογένειας ή και επισκέπτες δεν τα καταφέρνουν πια. Επίσης παρουσιάζεται δυσκολία στην παραγγελία φαγητού σε εστιατόριο. Συχνά δίνουν τον κατάλογο με τα φαγητά στο/στη σύντροφό τους για επιλογή γεύματος. Όσον αφορά τη διάθεση σε αυτό το στάδιο παρατηρείται επιπέδωση του συναισθήματος και απόσυρση. Με άλλα λόγια ο ασθενής δεν απαντά το ίδιο συναισθηματικά όπως προηγουμένως. Η απουσία αυτής της συναισθηματικής απάντησης ίσως ενδόμυχα συνδέεται με την άρνηση του ασθενούς να παραδεχτεί τα προβλήματά του. Αν και ο ασθενής είναι ενήμερος για τα προβλήματά του, η ευαισθησία αυτή είναι τόσο οδυνηρή για τους περισσότερους, ώστε αναπτύσσεται ψυχολογικός μηχανισμός άνοιας με τον οποίο ο ασθενής προσπαθεί να κρύψει το πρόβλημά του ακόμη και από τον εαυτό του όταν αυτό είναι δυνατόν. Με αυτή την έννοια η επιπέδωση του συναισθήματος οφείλεται στο ότι ο ασθενής φοβάται μήπως αποκαλυφθούν τα ελλείμματα του. Συνεπώς ο ασθενής αποσύρεται από τη συμμετοχή του σε δραστηριότητες όπως είναι η συνομιλία. 5. Μέτρια Νόσος Alzheimer. Ο ασθενής στο στάδιο αυτό δεν μπορεί να θυμηθεί κατά τη διάρκεια των κλινικών συνεντεύξεων σοβαρά γεγονότα της πρόσφατης ζωής του όπως εξεύρεση διευθύνσεων, τηλεφώνων πολλών ετών, τα ονόματα εγγυτέρων συγγενών (εγγόνια) τα ονόματα σχολείων, πανεπιστημίων από τα οποία αποφοίτησε ο ασθενής. Τακτικά αποπροσανατολίζεται χρονικά (ημερομηνία, εποχή κλπ.) ή τοπικά. Ένα μορφωμένο άτομο μπορεί να αντιμετωπίζει δυσκολία στην αντίστροφη μέτρηση από το 40 κατά τετράδες ή από το 20 ανά δυάδες. Τα άτομα στο στάδιο αυτό συγκρατούν τη γνώση πολλών κύριων συμβάντων που αφορούν είτε τα ίδια είτε άλλα άτομα. Αναμφισβήτητα θυμούνται το όνομά τους, και γενικά θυμούνται της συζύγου και των παιδιών τους. Δεν χρειάζονται βοήθεια για το πλύσιμο και το φαγητό αλλά μπορεί να εμφανίσουν κάποια δυσκολία στην επιλογή του σωστού ρούχου που θα φορέσουν ανά εποχή και ανά περίσταση. Ο ασθενής δεν μπορεί πια να επιβιώσει χωρίς κάποια βοήθεια. (Σύστημα Διάχυτης Νοημοσύνης για την Πρόγνωση, 2012) 6. Σοβαρή Νόσος Alzheimer. Περιστασιακά ο ασθενής στο στάδιο αυτό μπορεί να ξεχνά το όνομα της συζύγου τους από την οποίαν εξαρτάται η επιβίωσή του. Σε μεγάλο βαθμό δεν θυμάται τα πρόσφατα γεγονότα και τις εμπειρίες της ζωής του. Συγκρατεί κάποια γνώση της παρελθούσας ζωής του αν και μόνο επιγραμματικά και συγκεχυμένα. Γενικά δεν γνωρίζει το περιβάλλον του, το χρόνο, την εποχή κλπ. Μπορεί να αντιμετωπίσει δυσκολία στο μέτρημα από και προς το 10 και παραπάνω. Χρειάζεται βοήθεια με την άσκηση των καθημερινών λειτουργιών όπως εμφάνιση ακράτειας. Χρειάζεται βοήθεια στις μετακινήσεις του και περιστασιακά επιδεικνύει ικανότητα μετακίνησης σε γνωστά μέρη. Στο στάδιο επίσης αυτό εμφανίζονται διαταραχές του προγράμματος ύπνου εγρήγορσης. Παρόλα αυτά ο ασθενής θυμάται σχεδόν πάντα το όνομά του. Συχνά συνεχίζει να διακρίνει γνωστά από άγνωστα πρόσωπα του περιβάλλοντός του. Συμβαίνουν αλλαγές στην προσωπικότητα και στα συναισθήματα του. Αυτές είναι ποικίλες και περιλαμβάνουν 30

31 αρχικά παραισθησιακή συμπεριφορά π.χ. οι ασθενείς μπορεί να κατηγορήσουν τις συζύγους τους σαν ψεύτες, μπορεί να μιλάνε με φανταστικά πρόσωπα στο χώρο τους ή με την εικόνα τους στον καθρέπτη. Δεύτερον ιδεοψυχαναγκαστικά συμπτώματα όπως π.χ. ένα πρόσωπο μπορεί να εμφανίσει συνεχή επαναληπτική συμπεριφορά σε λειτουργίες προσωπικής υγιεινής, τρίτον, νοητική αβουλία π.χ. απώλεια δύναμης θέλησης γιατί δεν μπορεί να διατηρήσει μια σκέψη για μεγάλο χρονικό διάστημα έτσι ώστε να καθορίσει το σκοπό των πράξεων του. 7. Πολύ Σοβαρή Νόσος Alzheimer. Στο στάδιο αυτό όλες οι λεκτικές ικανότητες έχουν χαθεί. Συχνά δεν υπάρχει καθόλου έναρθρος λόγος παρά μόνο μούγκρισμα. Συχνό φαινόμενο είναι η ακράτεια ούρων και κοπράνων και ο ασθενής χρειάζεται βοήθεια στο πλύσιμο και στο φαγητό. Παρατηρείται επίσης βασική απώλεια ψυχοκινητικών ικανοτήτων π.χ. ικανότητα βάδισης. Το μυαλό μοιάζει να μη μπορεί να πει πια στο σώμα τι να κάνει. Συχνά παρουσιάζονται γενικευμένα και φλοιώδη σημεία και συμπτώματα. (Νέστωρ, 2013) 2.3 ΚΛΙΝΙΚΗ ΠΡΟΣΕΓΓΙΣΗ Μέχρι σήμερα η διαγνωστική διαδικασία της άνοιας περιλαμβάνει (Νέστωρ, 2013): 1. Ιατρική και νευροψυχολογική εκτίμηση του ασθενούς. Η εκτίμηση της κατάστασης του ασθενούς πραγματοποιείται με λήψη του ιστορικού, με νευρολογική και σωματική εξέταση και αξιολόγηση της λειτουργικής, γνωστικής και ψυχιατρικής κατάστασης του. Το ιστορικό πρέπει να επικεντρώνεται στα σημεία που ενδιαφέρουν με βάση τα διαγνωστικά κριτήρια. Ιδιαίτερη σημασία πρέπει να δοθεί στα γνωστικά πεδία που επηρεάζονται, στον τρόπο εκδήλωσης των συμπτωμάτων, τη διάρκεια και την εξέλιξη τους καθώς και την επίπτωση τους στην λειτουργικότητα του ασθενούς. 2. Αιματολογικές εξετάσεις. Η πραγματοποίηση των αιματολογικών εξετάσεων έχει σαν στόχο τη διερεύνηση επιπλοκών της άνοιας, παραγόντων κινδύνου και αγχωτικών καταστάσεων. Μια γενική εξέταση αίματος απαιτείται πάντα ώστε να αποκλείονται πιθανότητες οξείας ή χρόνιας μολυσματικής ασθένειας που ίσως προκαλεί συμπτώματα παρόμοια με αυτά της νόσου Alzheimer. Πιο εξειδικευμένες εξετάσεις αίματος μετρούν το φολικό οξύ και τα επίπεδα βιταμίνης Β Απεικονιστικές Μέθοδοι. Ενώ παλαιότερα οι απεικονιστικές εξετάσεις θεωρούνταν σημαντικές μόνο για τον αποκλεισμό αναστρέψιμων αιτιών άνοιας, σήμερα αποτελούν την πιο αξιόπιστη συμπληρωματική εξέταση για τη διάγνωση του τύπου της άνοιας. Σύμφωνα με τις οδηγίες της EFNS κάθε ασθενής με υποψία άνοιας πρέπει να υποβάλλεται είστε σε αξονική είτε σε μαγνητική τομογραφία. Οι απεικονιστικές μέθοδοι που χρησιμοποιούνται για την διάγνωση της νόσου είναι οι εξής: α) Η αξονική τομογραφία αποτελεί στην ουσία μια ακτινογραφία του εγκεφάλου. Καθώς μεγαλώνουμε, ο εγκέφαλος συρρικνώνεται, επειδή μειώνονται τα ζωντανά εγκεφαλικά κύτταρα. Η νόσος Alzheimer επιταχύνει 31

32 σημαντικά τη διαδικασία της κυτταρικής συρρίκνωσης και του κυτταρικού θανάτου. Οι αξονικές μετρούν την εγκεφαλική ατροφία, η οποία παρουσιάζεται ως κενό ανάμεσα στο κρανίο και στον εγκέφαλο, που σχετίζεται με την εκτεταμένη απώλεια νευρικού ιστού στον εγκεφαλικό φλοιό. β) Η μαγνητική τομογραφία (MRI) είναι μια πιο εξελιγμένη διαγνωστική μέθοδος, καθώς απεικονίζει με μεγαλύτερη ακρίβεια και λεπτομέρεια τον εγκέφαλου συγκριτικά με την αξονική. Η μαγνητική τομογραφία επιτρέπει την ακριβή και τρισδιάστατη μέτρηση του όγκου της δομής του εγκεφάλου ειδικά του μεγέθους του ιππόκαμπου και των συναφών περιοχών. Συνίσταται από τους ιατρούς όταν τα αποτελέσματα της αξονικής δεν επαρκούν για τη διάγνωση. Ωστόσο ούτε η μία ούτε η άλλη μπορούν να οδηγήσουν σε διάγνωση της ασθένειας, αφού η εγκεφαλική συρρίκνωση δεν είναι πάντα εμφανής. Οι αξονικές και μαγνητικές τομογραφίες εντοπίζουν εγκεφαλικούς όγκους, κύστες, θρόμβους αίματος ή υποδόρια αιματώματα που έχουν προκληθεί από τραυματισμούς στο κεφάλι, υδροκέφαλο κανονικής πίεσης και εγκεφαλικά λόγω αγγειακής άνοιας. γ) Η λειτουργική μαγνητική τομογραφία (fmri) είναι σχετικά μια πρόσφατη μέθοδος νευροαπεικόνισης, η οποία απεικονίζει την αιμοδυναμική αντίδραση που σχετίζεται με τη νευρωνική δραστηριότητα στον εγκέφαλο και στο νωτιαίο μυελό (Βικιπαιδεία, Λειτουργική Απεικόνιση Μαγνητικού Συντονισμού, 2015). Μια τέτοια εξέταση συμβάλλει στην εκτίμηση της νευρωνικής δραστηριότητας μέσω της μέτρησης αλλαγών στην οξυγόνωση του αίματος. Επιπλέον βοηθά στον προσδιορισμό ανωμαλιών στη νευρωνική συνδεσμολογία και στη συσχέτιση με συγκεκριμένες ανατομικές περιοχές με υψηλή συγκέντρωση αμυλοειδούς. δ) Η τομογραφία εκπομπής ποζιτρονίων (PET) είναι μια ακόμα απεικονιστική μέθοδος, η οποία συμπληρώνει χωρίς να υποκαθιστά τις προαναφερθείσες. Κατά τη διάρκεια της ο ιατρός χορηγεί στον ασθενή φθοριωμένη γλυκόζη προκειμένου να διαπιστώσει ποιες περιοχές του εγκεφάλου μπορούν να τη μεταβολίσουν. Η νόσος Alzheimer χαρακτηρίζεται από «νεκρές» περιοχές στον εγκέφαλο, κυρίως στους κροταφικούς και βρεγματικούς λοβούς, όπου η γλυκόζη δε μεταβολίζεται. ε) Η τομογραφία εκπομπής μονήρους φωτονίου (SPECT) αποτελεί και αυτή ένα ακόμα πιο σύγχρονο διαγνωστικό εργαλείο για την In vivo απεικόνιση. Ανήκει στην ειδικότητα της Πυρηνικής Ιατρικής μιας και απαιτείται η χορήγηση μιας ραδιενεργού ουσίας για να ληφθεί η ιατρική εικόνα. και χρησιμοποιείται σε συνδυασμό με τα ραδιοφάρμακα για να δώσει διαγνωστικές πληροφορίες στην νευρολογία και άλλους τομείς. Η γ-camera ανιχνεύει γ-ακτινοβολία από ραδιοϊσότοπα που χρησιμοποιούνται για τις συμβατικές τεχνικές της Πυρηνικής Ιατρικής. Όταν τα απεικονιστικά δεδομένα λαμβάνονται υπό πολλαπλές γωνίες γύρω από το αντικείμενο ενδιαφέροντος, προκύπτει μια τρισδιάστατη εικόνα της περιοχής. στ) Η φθοροδεοξυγλυκόζη PET απεικόνιση (FDG PET) χρησιμοποιείται επίσης ως ένα μέσο απεικόνισης και διάγνωσης της νόσου καθώς προσδιορίζει τη 32

33 συναπτική δραστηριότητα και το μεταβολισμό της γλυκόζης στον εγκέφαλο, και συγκεκριμένα τον υπο-μεταβολισμό σε συγκεκριμένες περιοχές στους ασθενείς με Alzheimer. ζ) Ο διακρανιακός μαγνητικός ερεθισμός (TMS) του εγκεφάλου είναι μια καθιερωμένη μέθοδος αντικειμενικής παρατήρησης της βιολογικής προόδου της νόσου. Μπορεί να χρησιμοποιηθεί στην κατανόηση των μηχανισμών πλαστικότητας αλλά και στο σχεδιασμό στρατηγικών για την αποκατάσταση ή επιβράδυνση της εξέλιξης εκφυλιστικών νοσημάτων (Χρόνη, 2014). Ο Leon κατέληξε στο συμπέρασμα ότι η συνδυασμένη χρήση συμβατικών απεικόνισης, όπως MRI ή φθοροδεοξυγλυκόζης PET απεικόνισης με επιλεγμένους βιοδείκτες μπορούν να συμβάλουν αυξητικά στην έγκαιρη και συγκεκριμένη διάγνωση της νόσου. Επιπλέον επιλεγμένοι συνδυασμοί βιοδεικτών είναι σημαντικοί στην παρακολούθηση της πορείας της νόσου και ως εκ τούτου είναι σχετικές με την αξιολόγηση των κλινικών δοκιμών. (Leon, et al., 2007 Feb.) Οι τεχνικές SPECT και PET δείχνουν διαταραχές μεταβολισμού/ λειτουργίας σε συγκεκριμένες εγκεφαλικές περιοχές ενώ ο μαγνητικός ερεθισμός μπορεί να συσχετίσει μια εγκεφαλική περιοχή αιτιολογικά με μια συγκεκριμένη πράξη (Χρόνη, 2014). Μια καινοτόμα ιδέα θα ήταν η ολοκλήρωση/ συγχώνευση των δεδομένων από το ΗΕΓ, το και το σε μεμονωμένα άτομα αφού κάθε μέθοδος βλέπει από διαφορετική οπτική γωνία (πληροφορίες για την ανατομία, το μεταβολισμό, την αιματική ροή) το ίδιο φαινόμενο (Χρόνη, 2014). 4. Συμπληρωματικές εξετάσεις, όταν αυτό απαιτείται. Σε περίπτωση διαγνωστικών αμφιβολιών ή υποψία συγκεκριμένων ασθενειών μπορεί να φανεί ιδιαίτερα χρήσιμη η πραγματοποίηση κάποιων συμπληρωματικών εξετάσεων. Τέτοιες εξετάσεις είναι οι εξής: α) Το ηλεκτροεγκεφαλογράφημα (ΗΕΓ) εξετάζει την ηλεκτρική δραστηριότητα του εγκεφάλου. Το ΗΕΓ μπορεί να εντοπίσει άλλες αιτίες άνοιας με συμπτώματα όμοια με αυτά του Alzheimer όπως η επιληπτική αμνησία. β) Η εξέταση του εγκεφαλονωτιαίου υγρού (ΕΝΥ), το οποίο περνά από τη σπονδυλική στήλη και φτάνει μέχρι τον εγκέφαλο. Η οσφυϊκή παρακέντηση συνίσταται από κάποιους ιατρούς ως διαγνωστικό εργαλείο προκειμένου να αποκλείσουν κάποια λοίμωξη, που προκαλεί σύγχυση όπως μηνιγγίτιδα και φυματίωση. 2.4 ΔΙΑΓΝΩΣΤΙΚΕΣ ΚΑΙ ΠΡΟΓΝΩΣΤΙΚΕΣ ΤΑΞΙΝΟΜΗΣΕΙΣ Όπως ακριβώς το σώμα απαιτεί μεγαλύτερη φροντίδα για τη συντήρηση του όσο περνούν τα χρόνια, έτσι και ο εγκέφαλος, για τον οποίο επιστημονικές έρευνες καταδεικνύουν ότι δείχνει σημάδια γήρανσης ήδη από τη δεκαετία των είκοσι και των τριάντα χρόνων. Η διαδικασία αυτή μπορεί να επιταχυνθεί λίγο αν υπάρχει κληρονομική προδιάθεση και να προχωρήσει γρήγορα εξαιτίας του τρόπου ζωής. Οι άνοια και η νόσος Αlzheimer είναι το καταληκτικό αποτέλεσμα αυτής της διαδικασίας γήρανσης του εγκεφάλου. 33

34 2.4.1 Είδη Διαχωρισμού της Ασθένειας Εκτός από την άνοια τύπου Αlzheimer (DAT), που παρατηρείται στο 60-70% των περιπτώσεων ηλικιωμένων με άνοια, υπάρχουν και άλλες διαταραχές που ίσως θεωρούνται μη αναστρέψιμες άνοιες ή εμφανίζουν συμπτώματα άνοιας σε ορισμένα στάδια. Οι διαταραχές αυτές είναι οι εξής (Mooney, 2014): Η αγγειακή άνοια, αποτελεί τη δεύτερη πιο συνηθισμένη αιτία χρόνιας μη αναστρέψιμης άνοιας στους ηλικιωμένους με ποσοστό 10 20%. Η αιτία της είναι συνήθως πολλαπλά εγκεφαλικά ή μικροέμφρακτα εξαιτίας των οποίων παρεμποδίζεται η ροή αίματος σε περιοχές του εγκεφάλου. Όταν τα εγκεφαλικά κύτταρα δεν τροφοδοτούνται επαρκώς με οξυγόνο και θρεπτικές ουσίες, πεθαίνουν. Ο συχνότερος τύπος αγγειακής άνοιας είναι η πολυεμφρακτική. Η άνοια με σωμάτια Lewy (DLB), αίτια της οποίας είναι τα σωμάτια Lewy που δημιουργούνται από αφύσικα αποθέματα της πρωτεΐνης άλφα-συνουκλεΐνης και υπάρχουν διασκορπισμένα σε όλο τον εγκέφαλο. Αυτή η μορφή άνοιας αποτελεί το 10 15%των ανοϊκών συνδρόμων και προσβάλλει άτομα άνω των 65 ετών. Άνοια σχετική με τη πρωτεΐνη prion ή αλλιώς σπογγώδης εγκεφαλοπάθεια, κατά την οποία οι πρωτεΐνες prion επιτίθενται στο κεντρικό νευρικό σύστημα και μετά εισβάλλουν στον εγκέφαλο, προκαλώντας εκφύλιση των νευρώνων και σχηματισμό πλακών αμυλοειδούς. Ανωμαλίες των νευροδιαβιβαστών, όπως η έλλειψη ντοπαμίνης, ενός νευροδιαβιβαστή που εμπλέκεται στον έλεγχο της κίνησης και ευθύνεται για τη νόσο του Πάρκινσον. Κληρονομικές άνοιες, όπως η νόσος Χάτινγκτον ή χορεία Χάτινγκτον που αποτελεί μια νευροεκφυλιστική κληρονομική διαταραχή. Τα αρχικά συμπτώματα της νόσου είναι μια γενική έλλειψη συντονισμού και αστάθεια κατά το περπάτημα. Η ασθένεια προκαλείται από μετάλλαξη σε ένα από τα δύο αντίγραφα του γονιδίου Χάτινγκτον ενός ατόμου. Μετωποκροταφικές άνοιες, που ποικίλλουν ανάλογα με τις μεταβολές που εμφανίζονται στους μετωπιαίους και κροταφικούς λοβούς του εγκεφάλου. Τα συνηθισμένα συμπτώματα περιλαμβάνουν ευερεθιστότητα, απάθεια, καταναγκαστικές ή ψυχαναγκαστατικές διαταραχές και αμέλεια στο ντύσιμο και τον καλλωπισμό. Καταλαμβάνει το 10% των ανοιών και προσβάλλει άτομα ηλικίας ετών. Ανωμαλίες των κινητικών νευρώνων, όπως η αμυοτροφική πλευρική σκλήρυνση (ALS), μια ανωμαλία των κινητικών νευρώνων, που χαρακτηρίζεται από προοδευτική μυϊκή αδυναμία και ατροφία, δυσφαγία, διαταραχές του λόγου και σπαστικότητα. Ανωμαλίες της λευκής ουσίας, όπως η σκλήρυνση κατά πλάκας (MS), μια προοδευτική εκφυλιστική νόσος που επηρεάζει το περίβλημα μυελίνης και το κεντρικό νευρικό σύστημα. Διαταραχές σχετικές με υπερβολική κατανάλωση αλκοόλ και έλλειψη βιταμινών, όπως το σύνδρομο Βέρνικε-Κόρσακοφ που σχετίζεται άμεσα με την έλλειψη της βιταμίνης Β1 ή θειαμίνης. Συνήθως σχετίζεται δευτερογενώς με βαριές περιπτώσεις αλκοολισμού. 34

35 2.5 ΕΝΔΥΝΑΜΩΣΗ ΚΑΙ ΜΕΤΡΗΣΗ ΝΟΣΟΥ Η θεραπεία της νόσου του Alzheimer είναι συμπωματική. Αυτό σημαίνει πως δεν μπορεί να σταματήσει η πορεία της νόσου, παρά μόνο να επιβραδυνθεί η εξέλιξη της νόσου, μειώνοντας την ένταση των συμπτωμάτων της. Το διαγνωστικό και θεραπευτικό πεδίο της νόσου Alzheimer έχει γνωρίσει αλλεπάλληλες αποτυχίες μέχρι σήμερα. Πρόσφατη μελέτη έδειξε ότι μεταξύ σχεδόν όλες (το 99,6%) οι έρευνες για πάνω από 100 πειραματικά φάρμακα απέτυχαν να εμποδίσουν ή να αναστρέψουν την πρόοδο της νόσου. Μια βασική αιτία για αυτή την αποτυχία είναι ότι η νόσος διαγιγνώσκεται με μεγάλη καθυστέρηση, όταν πια οι εγκεφαλικές βλάβες είναι μη αναστρέψιμες, με συνέπεια τα όποια φάρμακα να μην είναι ιδιαίτερα αποτελεσματικά Φαρμακευτική Θεραπεία Ως φαρμακευτική θεραπεία της νόσου χρησιμοποιούνται τα εξής (Νέστωρ, 2013): Οι αναστολείς της χολινεστεράσης, πρόκειται για την πρώτη κατηγορία φαρμάκων που έλαβε ένδειξη για την αντιμετώπιση της νόσου του Alzheimer. Οι αναστολείς της χολινεστεράσης είναι: η δονεπεζίλη, η ριβαστιγμίνη και η γκαλανταμίνη. Το όφελος από την χορήγηση των αναστολέων δεν περιορίζεται στη μνήμη, αλλά φαίνεται πως επεκτείνεται στη συμπεριφορά και τη λειτουργικότητα των ασθενών με άνοια. Η μεμαντίνη, είναι ανταγωνιστής των NMDA υποδοχέων (προστατεύει τους νευρώνες από την νευροτοξικότητα του γλουταμινικού) και φαίνεται να έχει παρόμοια αποτελεσματικότητα με τους αναστολείς της χολινεστεράσης, με τους οποίους μπορεί να συγχορηγηθεί. Τυπικά και άτυπα αντιψυχωτικά, χρησιμοποιούνται συχνά για τον έλεγχο των προβλημάτων συμπεριφοράς στο πλαίσιο της άνοιας, αλλά, κυρίως όσον αφορά τα πρωτα, η χρήση τους πρέπει να περιορίζεται στις πιο σοβαρές περιπτώσεις προβλημάτων συμπεριφοράς. Αντικαταθλιπτικά, ενώ παλιότερα χρησιμοποιούνταν μόνο σε περιπτώσεις κατάθλιψης στο πλαίσιο της άνοιας, νεότερες μελέτες δείχνουν πως είναι εξίσου αποτελεσματικά με τα αντιψυχωτικά στην αντιμετώπιση των προβλημάτων συμπεριφοράς στο πλαίσιο της άνοιας Μη Φαρμακευτικές Παρεμβάσεις Σε μια από τις πιο πρόσφατες ανασκοπήσεις πάνω στη θεραπεία των ανοϊκών συνδρόμων (Saddichha & Pandey, 2008) οι επιστήμονες καταλήγουν στο ότι καθώς η φαρμακευτική θεραπεία στην άνοια μειώνει απλά την επιδείνωση της νόσου, η θεραπεία εκλογής στην άνοια είναι ο συνδυασμός της με μη φαρμακευτικές παρεμβάσεις. Οι μη φαρμακευτικές παρεμβάσεις στην άνοια δεν αποτελούν απλά συμπληρωματική θεραπεία αλλά είναι θεραπεία εκλογής. Οι μη φαρμακευτικές παρεμβάσεις στην άνοια χωρίζονται σε αυτές που απευθύνονται στους ίδιους τους ασθενείς, σε αυτές που απευθύνονται στους φροντιστές των ασθενών ή και τους 35

36 δύο. Υπάρχουν κάποιες αρχές που πρέπει να εφαρμόζονται προκειμένου οι παρεμβάσεις να έχουν το μέγιστο δυνατό αποτέλεσμα όπως οι εξής: Η καλή εκτίμηση γνωστικής, λειτουργικής και συμπεριφορικής κατάστασης του ασθενούς. Η εκτίμηση της ψυχολογικής κατάστασης του φροντιστή. Η λήψη καλού κοινωνικού ιστορικού με έμφαση στα ιδιαίτερα ενδιαφέροντα ασθενούς και περιθάλποντα, καθώς και στη μεταξύ τους σχέση. Το να τίθενται ρεαλιστικοί στόχοι. Ο θεραπευτής έχει πάντα την πρωτοβουλία. Οι παρεμβάσεις βασίζονται κυρίως στους δικούς του χειρισμούς. Το να αντιμετωπίζεται ο ασθενής σαν άτομο με προσωπικότητα. Κάποιες από τις μη φαρμακευτικές θεραπευτικές προσεγγίσεις που χρησιμοποιούνται σήμερα στην άνοια κατηγοριοποιούνται στις εξής παρακάτω: 1. Γνωστικές παρεμβάσεις 2. Εργοθεραπευτικές παρεμβάσεις 3. Μέθοδοιαναμνήσεων 4. Μουσικοθεραπευτικέςπαρεμβάσεις Επίσης σε αναλογία με τη φυσική άσκηση, έχουν γίνει πειράματα που καταδεικνύουν ότι η πνευματική άσκηση βοηθάει στην αντικατάσταση των εγκεφαλικών κυττάρων που καταστρέφονται, ενώ η έλλειψη πνευματικής εργασίας και οι επιλογές του σύγχρονου τρόπου ζωής οδηγεί στον θάνατο των νέων κυττάρων. Παράλληλα ηλεκτρονικά παιχνίδια μέσω της χρήσης ηλεκτρονικού υπολογιστή (Η/Υ), εξειδικευμένα DVDs, σεμινάρια μέσω του διαδικτύου, διαδραστικές δοκιμασίες (tests) και πλήθος άλλες δραστηριότητες έχουν αποδειχθεί αποτελεσματικά στη σταθεροποίηση ή βελτίωση της νοητικής κατάστασης του ασθενούς μέσω της αξιοποίησης γνωστικών λειτουργιών του εγκεφάλου. Οι νέες τεχνολογίες που αναπτύσσονται για νοητική ενδυνάμωση περιλαμβάνουν ασκήσεις μνήμης, προσοχής, αλλά και προσανατολισμού στο χώρο, το χρόνο και την επικαιρότητα, ασκήσεις εκμάθησης υλικού κα. Στην πραγματικότητα, οι περισσότερες από τις παρεμβάσεις που εφαρμόζονται είναι σύνθετες, υιοθετώντας δύο ή παραπάνω από τις προαναφερόμενες κατηγορίες. 36

37 3 ΠΑΡΟΥΣΙΑΣΗ ΑΝΑΛΥΤΙΚΩΝ ΚΑΙ ΣΤΑΤΙΣΤΙΚΩΝ ΜΕΘΟΔΟΛΟΓΙΩΝ ΙΑΤΡΙΚΗΣ ΣΥΜΠΕΡΑΣΜΑΤΟΛΟΓΙΑΣ To develop a complete mind: Study the science of art, study the art of science. Learn how to see, realize that everything connects to everything else. L. Da Vinci Ο πολλαπλασιασμός, η ευρεία διαθεσιμότητα και εξέλιξη της τεχνολογίας υπολογιστών έχουν αυξήσει τον όγκο των συγκεντρωμένων δεδομένων και τη ζήτηση για αποδοτικούς και αποτελεσματικούς χειρισμούς. Καθώς οι συλλογές δεδομένων αυξήθηκαν τόσο σε όγκο όσο και σε πολυπλοκότητα, η χειρωνακτική ανάλυση των δεδομένων έχει αντικατασταθεί από την αυτόματη επεξεργασία δεδομένων. Αυτή η συνεχής ανάπτυξη τα τελευταία χρόνια έχει οδηγήσει στον ολοένα αυξανόμενο όγκο δεδομένων που συλλέγονται για την πραγματοποίηση ερευνών σε πολλούς επιστημονικούς τομείς. Καθώς ο όγκος των δεδομένων που φυλάσσονται σε αρχεία και αποθήκες δεδομένων αυξάνεται με εκπληκτικό ρυθμό οι χρήστες επιζητούν ολοένα και πιο εξειδικευμένες πληροφορίες. Ανάμεσα στην τεράστια μάζα δεδομένων κρύβονται πληροφορίες, οι οποίες είναι εξαιρετικής σημασίας. Η διαχείριση τους, ώστε να εξαχθεί πραγματική και χρήσιμη πληροφορία με δομή κατανοητή προς τον άνθρωπο έτσι ώστε να τον βοηθήσουν να πάρει τις κατάλληλες αποφάσεις, καθίσταται ιδιαίτερα κρίσιμη και δύσκολη. Αυτή η ανάγκη εξόρυξης πληροφοριών από έναν τεράστιο όγκο δεδομένων οδήγησε στην ανάπτυξη του τομέα της Εξόρυξης Δεδομένων (Data Mining) ή εναλλακτικά Ανακάλυψη Γνώσης από δεδομένα. 3.1 Η ΕΞΟΡΥΞΗ ΔΕΔΟΜΕΝΩΝ ΚΑΙ Η ΑΝΑΚΑΛΥΨΗ ΓΝΩΣΗΣ ΑΠΟ ΒΑΣΕΙΣ ΔΕΔΟΜΕΝΩΝ Η Εξόρυξη Δεδομένων ή Ανακάλυψη γνώσης από βάσεις δεδομένων είναι η διαδικασία αυτόματης ή ημιαυτόματης επεξεργασίας και ανάλυσης ποσοτήτων δεδομένων με σκοπό την ανεύρεση μη προφανούς αλλά ενδιαφέρουσας, χρήσιμης και αξιοποιήσιμης πληροφορίας που μπορεί να χαρακτηριστεί ως «γνώση» (Tan, 2005). Η εξόρυξη δεδομένων χρησιμοποιεί μια πλειάδα επιστημονικών πεδίων στα οποία συγκαταλέγονται η στατιστική, η τεχνική νοημοσύνη και η μηχανική μάθηση, η αναγνώριση προτύπων και οι βάσεις δεδομένων (Han & Kamber, 2006). Τα τελευταία χρόνια, χρησιμοποιείται ευρέως στους τομείς της ιατρικής, όπως η βιοϊατρική, το DNA, η γενετική και η φαρμακευτική. Κυρίως κατά την επεξεργασία πολυπληθών βιολογικών και ιατρικών δεδομένων που η εξαγωγή πραγματικής πληροφορίας μπορεί να βοηθήσει στην βελτίωση της διάγνωσης, της πρόληψης και της θεραπείας των ασθενειών η ανάπτυξη μιας επιστημονικής προσέγγισης για την παραγωγή γνώσης κρίθηκε αναγκαία (Βικιπαιδεία, 2014). Η έννοια της γνώσης έχει άμεση σχέση με την πληροφορία, αφού η γνώση προκύπτει από την καλύτερη ανάλυση της πληροφορίας. Γι αυτό το λόγο η εξόρυξη δεδομένων ανήκει στη γενικότερη μεθοδολογία της ανακάλυψης γνώσης από βάσεις δεδομένων (KDD Knowledge 37

38 Discovery in Databases). Η διαδικασία της ανακάλυψης γνώσης από βάσεις δεδομένων περιλαμβάνει πολλά διαφορετικά βήματα. Η είσοδος σε αυτή τη διαδικασία είναι τα δεδομένα, και οι χρήσιμες πληροφορίες που επιθυμούν οι χρήστες είναι η έξοδος. Η διαδικασία της KDD αποτελείται από τα εξής βήματα: Συλλογή Δεδομένων: Τα δεδομένα που χρειάζονται για τη διαδικασία της KDD μπορεί να προέλθουν από διαφορετικές και ετερογενείς πηγές. Συλλέγονται από βάσεις δεδομένων, αρχεία και άλλες μη ηλεκτρονικές πηγές. Προ-επεξεργασία Δεδομένων: Τα δεδομένα στο πραγματικό κόσμο είναι είτε ελλιπή είτε με θόρυβο είτε παρουσιάζουν ασυνέπεια. Με τη μέθοδο της προ-επεξεργασίας συμπληρώνονται γνωρίσματα και τιμές που λείπουν από τα δεδομένα, απομακρύνεται ο θόρυβος και καθορίζονται οι περιθωριακές τιμές (outliers) οι οποίες μπορούν να αποπροσανατολίσουν την επεξεργασία της πληροφορίας. Τέλος, διορθώνονται δεδομένα που περιέχουν ασυνέπειες, πχ. διπλότιμα. Η σημασία της προ-επεξεργασίας των δεδομένων είναι σημαντική γιατί κακής ποιότητας δεδομένα μπορούν να έχουν σαν αποτέλεσμα την παραγωγή κακής ποιότητας γνώσης (Witten, 2005). Καθώς η εξόρυξη δεδομένων μπορεί να αποκαλύψει μόνο τα πρότυπα που πράγματι εμφανίζονται στα δεδομένα, η διαδικασία της επιλογής χαρακτηριστικών γνωρισμάτων στοχεύει στο να επιλεγούν τα καταλληλότερα αρχικά γνωρίσματα ενός συνόλου οντοτήτων εισόδου, με βάση κάποιο κριτήριο αξιολόγησης, που να οδηγεί σε καλύτερα αποτελέσματα των αλγορίθμων βελτιώνοντας την απόδοση και την ταχύτητα της διαδικασίας. Μετασχηματισμός Δεδομένων: Τα δεδομένα που προέρχονται από διαφορετικές πηγές υφίστανται μετατροπή για να είναι δυνατή η περαιτέρω επεξεργασία τους. Για παράδειγμα στη φάση αυτή μπορεί να μειωθούν τα δεδομένα για να ελαττωθεί ο αριθμός των πιθανών τιμών των δεδομένων που θα ληφθούν υπόψη. Εξόρυξη Γνώσης από Δεδομένα: Σε αυτό το βήμα εφαρμόζονται αλγόριθμοι στα τροποποιημένα δεδομένα προκειμένου να παραχθούν τα επιθυμητά αποτελέσματα. Ερμηνεία/ Αξιολόγηση: Για την παρουσίαση των αποτελεσμάτων της εξόρυξης γνώσης στους χρήστες, χρησιμοποιούνται διάφορες στρατηγικές οπτικοποίησης και γραφικές διεπαφές χρήστη (GUI). (Dunham, 2004) Η διαδικασία ανακάλυψης της γνώσης είναι επαναληπτική καθώς μπορεί να χρειαστεί επιστροφή σε προηγούμενο βήμα. Αναλυτικά τα βήματα και η πορεία της διαδικασίας παρουσιάζεται στο παρακάτω σχήμα: 38

39 Εικόνα 1: Η διαδικασία Εξόρυξης Γνώσης από τα Δεδομένα (Fayyad, 1997) 3.2 ΤΕΧΝΙΚΕΣ ΕΞΟΡΥΞΗΣ ΓΝΩΣΗΣ ΑΠΟ ΒΑΣΕΙΣ ΔΕΔΟΜΕΝΩΝ Ο βασικός στόχος της εξόρυξης δεδομένων είναι η εξαγωγή νέων πληροφοριών από τα δεδομένα. Η ανακάλυψη της γνώσης περιλαμβάνει πολλούς διαφορετικούς αλγορίθμους οι οποίοι επιχειρούν να ταιριάξουν ένα μοντέλο στα δεδομένα. Οι αλγόριθμοι εξετάζουν τα δεδομένα και καθορίζουν ένα μοντέλο που να είναι το πλησιέστερο στα χαρακτηριστικά των δεδομένων που εξετάζονται. Στη Εξόρυξη Δεδομένων ακολουθούνται 2 βασικές τεχνικές εξόρυξης γνώσης: Οι μέθοδοι με επίβλεψη (supervised methods), οι οποίες μοντελοποιούν μια μεταβλητή απόκρισης βασιζόμενες σε μία ή περισσότερες μεταβλητές ώστε να επιτευχθεί η ταξινόμηση και η πρόβλεψη. Παραδείγματα τέτοιων μεθόδων είναι τα νευρωνικά δίκτυα και τα δέντρα απόφασης. Οι μέθοδοι χωρίς επίβλεψη (unsupervised methods), οι οποίες δεν χρησιμοποιούν κάποια μεταβλητή απόκρισης, η οποία θα μπορεί να προβλεφθεί ή να ταξινομηθεί αλλά ελλείψει πεδίου προς πρόβλεψη οι σχέσεις δεδομένων εξερευνούνται. Παραδείγματα τέτοιων μεθόδων είναι ο αλγόριθμος K-means και αλγόριθμος PAM. Οι διαδικασίες που βασίζονται στις παραπάνω μεθόδους και χρησιμοποιούνται στην εξόρυξη γνώσης διακρίνονται επίσης σε δύο ευρύτερες κατηγορίες μοντέλων (Witten, 2005): 39

40 Εικόνα 2: Μοντέλα και Εργασίες στην Εξόρυξη Γνώσης από Δεδομένα Προβλεπτικά Μοντέλα (Predictive Models): χρησιμοποιούν μερικές μεταβλητές που παρουσιάζουν ενδιαφέρον για να προβλέψουν άγνωστες ή μελλοντικές μεταβλητές. Η πρόβλεψη μπορεί να στηρίζεται σε ιστορικά δεδομένα. Οι εργασίες εξόρυξης γνώσης από δεδομένα για το χτίσιμο ενός προβλεπτικού μοντέλου περιλαμβάνουν τα εξής: Κατηγοριοποίηση (Classification) Παλινδρόμηση (Regression) Ανάλυση Χρονολογικών Σειρών (Time Series Analysis) Πρόβλεψη (Prediction) Περιγραφικά Μοντέλα (Descriptive Models): προσπαθούν να ανακαλύψουν ήδη υπάρχουσες τάσεις και κανόνες που δεν είναι ορατοί χωρίς τη διαδικασία της Εξόρυξης Δεδομένων. Βρίσκει πρότυπα (patterns) ή συσχετίσεις (relationships) που ενυπάρχουν στα δεδομένα και ερευνά τις ιδιότητες των υπό εξέταση δεδομένων χωρίς να προβλέπει νέες ιδιότητες όπως κάνουν τα προβλεπτικά μοντέλα. Περιγραφικές εργασίες από τη φύση τους είναι οι εξής: Συσταδοποίηση (Clustering) Παρουσίαση Συνόψεων (Summarization/ Generalization) Εύρεση Κανόνων Συσχέτισης (Association Rules) Ανακάλυψη Συσχετίσεων σε Ακολουθίες (Pattern Discovery in Sequences) 40

41 3.2.1 Κατηγοριοποίηση Η κατηγοριοποίηση (Classification) απεικονίζει τα δεδομένα σε προκαθορισμένες ομάδες ή κατηγορίες-κλάσεις (classes) (Dunham, 2004). Αποτελεί μια από τις πιο σημαντικές κατηγορίες τεχνικών εξόρυξης δεδομένων και εφαρμόζεται για να κατηγοριοποιήσει νέες οντότητες, των οποίων η τιμή κλάσης είναι άγνωστη. Το γεγονός ότι στο αρχικό σύνολο δεδομένων οι κλάσεις των οντοτήτων είναι γνωστές, κατατάσσει την κατηγοριοποίηση στην κατηγορία των προβλημάτων εποπτευόμενης (supervised) μάθησης. Η εκπαίδευση ενός μοντέλου κατηγοριοποίησης βασίζεται σε ένα σύνολο εκπαίδευσης (training set) με οντότητες των οποίων οι κλάσεις είναι γνωστές. Στη συνέχεια, το εκπαιδευμένο μοντέλο εφαρμόζεται για να ταξινομήσει τις οντότητες ενός συνόλου δοκιμής (test set), στο οποίο οι τιμές κλάσης είναι άγνωστες. Οι αλγόριθμοι κατηγοριοποίησης απαιτούν οι κατηγορίες να ορίζονται με βάση τις τιμές των γνωρισμάτων των δεδομένων. Συχνά περιγράφουν αυτές τις κατηγορίες κοιτάζοντας τα χαρακτηριστικά δεδομένων που είναι ήδη γνωστό ότι ανήκουν στις κατηγορίες. Βασικές μέθοδοι κατηγοριοποίησης είναι η μέθοδος Bayes, τα Δέντρα Αποφάσεων και τα Νευρωνικά Δίκτυα. Εικόνα 3: Η Διαδικασία της Κατηγοριοποίησης Παλινδρόμηση Η παλινδρόμηση (Regression) χρησιμοποιείται για να απεικονιστεί ένα στοιχειώδες δεδομένο σε μία πραγματική μεταβλητή πρόβλεψης. Καλείται η διαδικασία δημιουργίας μοντέλου πρόβλεψης που συσχετίζει την τιμή μιας εξαρτημένης συνεχούς μεταβλητής με τις τιμές από μια ομάδα ανεξάρτητων μεταβλητών (Todorovski Ljupco, 2004). Η παλινδρόμηση προϋποθέτει ότι τα σχετικά δεδομένα ταιριάζουν με μερικά γνωστά είδη συνάρτησης (γραμμική, μη-γραμμική, πολυωνυμική κλπ.) και μετά καθορίζει την καλύτερη συνάρτηση αυτού του είδους που μοντελοποιεί τα δεδομένα. Η ανάλυση με τις μεθόδους παλινδρόμησης χρησιμοποιείται σε ευρεία κλίμακα για προβλέψεις και η χρήση τους έχει άμεση σχέση με τη μηχανική μάθηση (machine learning). Ακόμα η χρήση μεθόδων παλινδρόμησης είναι αρκετά εύκολη ωστόσο είναι ταυτόχρονα και από τις μεθόδους που έχουν τις λιγότερες δυνατότητες (Abernethy, 2010). Στον τομέα της εξόρυξης γνώσης 41

42 υπάρχουν διάφοροι αλγόριθμοι παλινδρόμησης με πιο διαδεδομένους τους γραμμική παλινδρόμηση (Linear Regression), λογιστική παλινδρόμηση (Logistic Regression) και Simple Logistic Ανάλυση Χρονολογικών Σειρών Με την ανάλυση χρονολογικών σειρών ή χρονοσειρών (Time Series Analysis), μελετάται η τιμή ενός γνωρίσματος καθώς μεταβάλλεται στο χρόνο (Dunham, 2004). Η ανάλυση χρονολογικών σειρών χρησιμοποιείται για να καθοριστούν σειριακά πρότυπα στα δεδομένα και οι τιμές λαμβάνονται συνήθως σε ίσα χρονικά διαστήματα. Αυτά τα πρότυπα βασίζονται σε μια χρονική ακολουθία ενεργειών και είναι παρόμοια με τις συσχετίσεις στο ότι συσχετίζονται τα δεδομένα (ή τα γεγονότα) που εξάγονται, με τη διαφορά ότι η συσχέτιση τους βασίζεται στο χρόνο. Για να παρασταθούν οπτικά οι χρονοσειρές χρησιμοποιείται ένα διάγραμμα χρονοσειρών Πρόβλεψη Πολλές από τις πρακτικές εφαρμογές εξόρυξης γνώσης μπορούν να θεωρηθούν σαν πρόβλεψη μελλοντικών καταστάσεων με γνώση των προηγούμενων και των σημερινών δεδομένων (Dunham, 2004). Η πρόβλεψη (Prediction) μπορεί να θεωρηθεί σαν ένα είδος κατηγοριοποίησης με τη διαφορά ότι ως πρόβλεψη θεωρείται περισσότερο το να δίνεται τιμή σε μια μελλοντική κατάσταση παρά σε μια τρέχουσα (Zhang, Patuwo, & Hu). Οι εφαρμογές πρόβλεψης περιλαμβάνουν πρόγνωση πλημμυρών, αναγνώριση ομιλίας, μηχανική μάθηση και αναγνώριση προτύπου Συσταδοποίηση Η συσταδοποίηση (Clustering) είναι η διαδικασία ομαδοποίησης αντικειμένων με όμοια χαρακτηριστικά. Είναι παρόμοια με την κατηγοριοποίηση εκτός του ότι οι συστάδες ομάδες δεδομένων δεν είναι προκαθορισμένες αλλά ορίζονται κυρίως από τα ίδια τα δεδομένα (Dunham, 2004). Η συσταδοποίηση αναφέρεται εναλλακτικά και σαν μη εποπτευόμενη μάθηση καθώς στη μη εποπτευόμενη μάθηση (unsupervised learning) δεν υπάρχουν διαθέσιμα δεδομένα για μάθηση, δηλαδή αρχικές τιμές της μεταβλητής κλάσης. (Xu R., 2005). Ο στόχος της συσταδοποίησης είναι να διαχωριστεί ένα πεπερασμένο και μη ταξινομημένο σύνολο οντοτήτων σε ένα πεπερασμένο και διακριτό σύνολο από «φυσικές», κρυφές δομές δεδομένων, αποκαλούμενες και ως συστάδες (clusters). Συνεπώς, η έννοια της συστάδας υποκαθιστά την έννοια της κλάσης. Σε αντίθεση με την (επιβλεπόμενη μάθηση) ταξινόμηση, σκοπός της συσταδοποίησης δεν είναι να παρέχει έναν ακριβή χαρακτηρισμό σε μη παρατηρούμενα δεδομένα που παράγονται από κοινές πιθανοτικές κατανομές. Πιο συγκεκριμένα, στη συσταδοποίηση ένα σύνολο από αντικείμενα διαχωρίζεται σε έναν αριθμό από περισσότερο ή λιγότερο ομοιογενείς συστάδες, με βάση ένα συχνά υποκειμενικά επιλεγμένο μέτρο ομοιότητας, τέτοιο ώστε η ομοιότητα μεταξύ των αντικειμένων της ίδιας συστάδας να είναι μεγαλύτερη από την ομοιότητα αντικειμένων που ανήκουν σε 42

43 διαφορετικές συστάδες. Οι περισσότεροι ερευνητές περιγράφουν τη συστάδα λαμβάνοντας υπόψη την εσωτερική ομοιογένειά της και τον εξωτερικό διαχωρισμό της από τις άλλες συστάδες. Τόσο η έννοια της ομοιότητας όσο και αυτή της ανομοιότητας θα πρέπει να ορίζονται με σαφή και ξεκάθαρο τρόπο. Εικόνα 4: Η Διαδικασία της Συσταδοποίησης Παρουσίαση Συνόψεων Η παρουσίαση συνόψεων (Summarization) αφορά μεθόδους που βρίσκουν και απεικονίζουν τα δεδομένα σε υποσύνολα τους που συνοδεύονται με απλές και συνοπτικές περιγραφές. Η σύνοψη των δεδομένων ονομάζεται επίσης και χαρακτηρισμός (Characterization) ή γενίκευση (Generalization). Εξάγει ή παράγει αντιπροσωπευτικές πληροφορίες σχετικά με τις βάσεις δεδομένων. Αυτό είναι χρήσιμο και βοηθά στην κατανόηση της σημαντικότητας μερικών γνωρισμάτων έναντι άλλων (Fayyad, Piatetsky-Shaprio, Smyth, & Uthurusamy). Εναλλακτικά μπορούν να εξαχθούν από τα δεδομένα συνοπτικές πληροφορίες, όπως είναι ο μέσος όρος, η διακύμανση και η τυπική απόκλιση κάποιου αριθμητικού γνωρίσματος Κανόνες Συσχέτισης Ένας κανόνας συσχέτισης (Association Rule) είναι ένα μοντέλο που αναγνωρίζει ειδικούς τύπους συσχέτισης μεταξύ δεδομένων (Dunham, 2004) (Han & Kamber, 2006). Η ανάλυση κανόνων συσχετίσεων αναφέρεται στη διαδικασία εκείνη της εξαγωγής γνώσης από βάσεις δεδομένων που αποκαλύπτει συγκεκριμένο τρόπο με τον οποίο τα δεδομένα είναι δυνατόν να συνδέονται. Το ευρύτερα γνωστό παράδειγμα αυτού του είδους εφαρμογής είναι ο προσδιορισμός κανόνων συσχετίσεων από την ανάλυση δεδομένων συναλλαγών. Αυτές οι συσχετίσεις συχνά χρησιμοποιούνται στις λιανικές πωλήσεις για να αναγνωριστούν προϊόντα που συχνά αγοράζονται μαζί. Η χρήση των κανόνων συσχετίσεων για τις όποιες αποφάσεις πρέπει να γίνεται πολύ προσεκτικά επειδή υπάρχει κίνδυνος αυτές οι συσχετίσεις να είναι τυχαίες. 43

44 3.2.8 Ανακάλυψη Ακολουθιών Η ακολουθιακή ανάλυση (Sequential Analysis) ή αλλιώς ανακάλυψη ακολουθιών (Sequence Discovery) χρησιμοποιείται για να καθοριστούν σειριακά πρότυπα στα δεδομένα (Dunham, 2004). Αυτά τα πρότυπα βασίζονται σε μια χρονική ακολουθία ενεργειών. Επίσης είναι παρόμοια με τις συσχετίσεις στο ότι συσχετίζονται τα δεδομένα που εξάγονται, με τη διαφορά ότι η συσχέτισή τους αυτή βασίζεται στο χρόνο. Αντίθετα με την ανάλυση καλαθιού αγορών (ανάλυση κανόνων συσχετίσεων), που προϋποθέτει να γνωρίζουμε ποια προϊόντα αγοράστηκαν ταυτόχρονα, στην ανακάλυψη ακολουθιών τα προϊόντα αγοράζονται με κάποια σειρά κατά τη διάρκεια μιας περιόδου. 3.3 ΑΛΓΟΡΙΘΜΟΙ ΚΑΤΗΓΟΡΙΟΠΟΙΗΣΗΣ 3.4 ΑΛΓΟΡΙΘΜΟΙ ΒΑΣΙΣΜΕΝΟΙ ΣΤΗ ΣΤΑΤΙΣΤΙΚΗ Δυο είναι οι βασικές τεχνικές που συναντώνται στους αλγορίθμους κατηγοριοποίησης με βάση τη στατιστική εξαγωγή συμπερασμάτων. Η Παλινδρόμηση και η Bayesian κατηγοριοποίηση. Τα προβλήματα παλινδρόμησης (Regression) ασχολούνται με την εκτίμησης μιας τιμής εξόδου με βάση τις τιμές της εισόδου. Όταν χρησιμοποιούνται για την κατηγοριοποίηση, οι τιμές της εισόδου είναι τιμές από τη βάση δεδομένων D και οι τιμές εξόδου αναπαριστούν τις κατηγορίες. Στην πραγματικότητα, η παλινδρόμηση δέχεται ένα σύνολο από δεδομένα και ταιριάζει αυτά τα δεδομένα σε μία εξίσωση. Κάνοντας δύο παραδοχές για τα γνωρίσματα, αρχικά η συνεισφορά όλων των γνωρισμάτων είναι ανεξάρτητη και επίσης ότι κάθε ένα συνεισφέρει εξίσου στο πρόβλημα της κατηγοριοποίησης, μια απλή μέθοδος κατηγοριοποίησης έχει προταθεί η οποία καλείται απλοϊκή κατηγοριοποίηση κατά Bayes και βασίζεται στον κανόνα του Bayes για την υπό συνθήκη πιθανότητα. Η προσέγγιση ονομάζεται απλοϊκή επειδή θεωρεί ανεξαρτησία μεταξύ των τιμών των διαφόρων γνωρισμάτων. Ο κανόνας του Bayes μας επιτρέπει να προσδιορίσουμε τις πιθανότητες των υποθέσεων με δεδομένη την τιμή κάποιου δεδομένου, P(h i x i ) Εδώ μιλάμε για πλειάδες όπου στην πραγματικότητα κάθε x i μπορεί να είναι τιμή ενός γνωρίσματος ή ένα χαρακτηριστικό των δεδομένων. Κάθε h i μπορεί να είναι η τιμή ενός γνωρίσματος, ένα σύνολο από τιμές γνωρισμάτων (όπως είναι ένα διάστημα), ή ακόμα ένας συνδυασμός από τιμές γνωρισμάτων. P(h i x i ) = P(x i h i ) P(h i ) P(x i h 1 ) P(h 1 ) + P(x i h 2 ) P(h 2 ) Όπου το P(h i x i ) ονομάζεται η εκ των υστέρων πιθανότητα, ενώ το P(h 1 ) είναι η εκ των προτέρων πιθανότητα που συσχετίζεται με την υπόθεση h i. P(x i ) είναι η πιθανότητα να συμβεί το δεδομένο με τιμή x i και P(x i h 1 ) είναι η υπό συνθήκη πιθανότητα να ικανοποιείται από την πλειάδα η δεδομένη υπόθεση (Dunham, 2004). 44

45 Δεδομένης, λοιπόν, μιας τιμής για ένα δεδομένο x i, η πιθανότητα ότι μία σχετική πλειάδα, t i, ανήκει στην κατηγορία C j περιγράφεται από P(C j x i ). Δεδομένα εκπαίδευσης μπορούν να χρησιμοποιηθούν για να καθορίσουν τις P(x i ), P(x i C j ) και P(C j ). Από αυτές τις τιμές το θεώρημα του Bayes μας επιτρέπει να εκτιμήσουμε την εκ των υστέρων πιθανότητα P(C j x i ) και στη συνέχεια την P(C j t i ) Αλγόριθμοι βασισμένοι σε Δέντρα Απόφασης Η προσέγγιση του δέντρου απόφασης (Decision Tree Classifier) είναι πολύ χρήσιμη στα προβλήματα κατηγοριοποίησης. Τα δέντρα αποφάσεων χρησιμοποιούν τη τεχνική του «διαίρει και βασίλευε» για να χωρίσουν το χώρο αναζήτησης του προβλήματος σε υποσύνολα. Με αυτή την τεχνική, κατασκευάζεται ένα δέντρο για να μοντελοποιήσει τη διαδικασία της κατηγοριοποίησης. Μόλις χτιστεί ένα δέντρο, εφαρμόζεται σε κάθε μία πλειάδα στη βάση δεδομένων και καταλήγει σε μία κατηγοριοποίηση για κάθε πλειάδα. (Dunham, 2004) Το δέντρο αποτελεί μια ιεραρχική δομή με κόμβους και διευθυνόμενες ακμές. Κάθε κόμβος αντιστοιχεί σε ένα ερώτημα για ένα γνώρισμα και κάθε ακμή που εξέρχεται από τον κόμβο αυτό αντιστοιχεί σε μια πιθανή απάντηση του ερωτήματος. Σε κάθε τελικό κόμβο, που καλείται και φύλλο, αντιστοιχεί μια τιμή κλάσης. Εφόσον ένα δένδρο απόφασης κατασκευαστεί, η διαδικασία ταξινόμησης μιας οντότητας είναι απλή. Αρχίζοντας από τον πρώτο κόμβο που καλείται και ρίζα, τίθεται ένα ερώτημα για κάποιο γνώρισμα της οντότητας. Εφαρμόζεται έλεγχος και ανάλογα με την απάντηση καθορίζεται ποιός κόμβος - παιδί θα ακολουθηθεί. Η επεξεργασία αυτή επαναλαμβάνεται μέχρι το μονοπάτι που ακολουθείται να καταλήξει σε κάποιο κόμβο - φύλλο. Καταλήγοντας σε κάποιο φύλλο, λαμβάνεται η αντίστοιχη απόφαση για την τιμή κλάσης της οντότητας. Όλα τα ερωτήματα γνωρισμάτων που καταλήγουν σε ένα συγκεκριμένο φύλλο κατηγοριοποιούνται με τον ίδιο τρόπο. Υπάρχει ένα μοναδικό μονοπάτι που οδηγεί από τη ρίζα σε κάθε φύλλο. Το μονοπάτι αυτό είναι μία έκφραση του κανόνα που χρησιμοποιείται για να γίνει η κατηγοριοποίηση των ερωτημάτων που γίνονται στο δέντρο. Κατά την εκπαίδευση, το δέντρο χτίζεται με την επαναλαμβανόμενη διάσπαση του δοσμένου συνόλου δεδομένων σύμφωνα με τις διάφορες ανεξάρτητες μεταβλητές. Η «σειρά» με την οποία χρησιμοποιούνται οι ανεξάρτητες μεταβλητές στη δόμηση του δέντρου εξαρτάται από τη δυνατότητα κατηγοριοποίησης της κάθε ανεξάρτητης μεταβλητής. Υπάρχουν διάφοροι αλγόριθμοι για την επιλογή της σειράς, αλλά ο στόχος είναι πάντα ο ίδιος, δηλαδή, να επιλεχθεί η μεταβλητή εκείνη που διαχωρίζει καλύτερα τις τελικές κλάσεις. Άρα στην ρίζα του δέντρου θα βρίσκεται το χαρακτηριστικό εκείνο το οποίο διαχωρίζει καλύτερα τα δεδομένα εκπαίδευσης. Ο αλγόριθμος σταματά όταν φτάσει σε κόμβο από τον οποίο δεν είναι δυνατό να ξεκινήσει νέα διάσπαση. Τότε ο κόμβος αυτός δεν έχει παιδιά και αποτελεί φύλλο του δέντρου. Ένας αλγόριθμος δέντρου απόφασης αποτελεί μία δενδρική δομή στην οποία: Κάθε εσωτερικός κόμβος ονοματίζεται με το όνομα ενός χαρακτηριστικού. 45

46 Κάθε κλαδί που ξεκινά από έναν κόμβο ονοματίζεται με ένα κατηγόρημα που αντιστοιχεί σε μία από τις πιθανές τιμές του χαρακτηριστικού. Κάθε φύλλο του δέντρου αντιστοιχεί σε μια κλάση του προβλήματος κατηγοριοποίησης. Υπάρχουν πολλοί αλγόριθμοι για δέντρα απόφασης. Ο βασικός απλουστευμένος αλγόριθμος είναι ο DTBuild και παραδείγματα άλλων αλγορίθμων απόφασης είναι ο ID3, ο οποίος βασίζεται στη θεωρία της πληροφορίας και προσπαθεί να ελαχιστοποιήσει τον αναμενόμενο αριθμό συγκρίσεων. Ο αλγόριθμος δέντρου απόφασης C4.5, ο οποίος βελτιώνει τον ID3 και ο CART, ο οποίος δημιουργεί ένα δυαδικό δέντρο απόφασης Αλγόριθμοι βασισμένοι σε Κανόνες Ένας ακριβής τρόπος για να πραγματοποιηθεί η κατηγοριοποίηση είναι να δημιουργηθούν if-then κανόνες, οι οποίοι καλύπτουν όλες τις περιπτώσεις. Ένας κανόνας κατηγοριοποίησης (Classification Rule), r=a, c αποτελείται από το if ή αλλιώς πρότερο τμήμα (antecedent), a και από το then ή το επακόλουθο τμήμα (consepuent), c. Η υπόθεση περιέχει ένα κατηγόρημα το οποίο μπορεί να αξιολογηθεί σαν αληθές ή ψευδές ως προς κάθε πλειάδα στη βάση δεδομένων (και προφανώς προς τα δεδομένα εκπαίδευσης). Αυτοί οι κανόνες σχετίζονται άμεσα με το αντίστοιχο δέντρο απόφασης που θα μπορούσε να δημιουργηθεί. Θα μπορούσε να χρησιμοποιηθεί ένα δέντρο απόφασης για να δημιουργήσει κανόνες, αλλά οι κανόνες δεν είναι ισοδύναμοι με το δέντρο. Υπάρχουν διαφορές ανάμεσα στους κανόνες και τα δέντρα: Το δέντρο υπονοεί μια σειρά με την οποία πραγματοποιείται η διάσπαση ενώ οι κανόνες δεν έχουν σειρά. Ένα δέντρο δημιουργείται κοιτώντας σε όλες τις κατηγορίες. Όταν δημιουργούνται κανόνες, μόνο μια κατηγορία πρέπει να εξετάζεται κάθε φορά. Υπάρχουν αλγόριθμοι οι οποίοι δημιουργούν κανόνες από δέντρα όπως επίσης και αλγόριθμοι που δημιουργούν κανόνες χωρίς να δημιουργήσουν πρώτα δέντρο απόφασης (Dunham, 2004) Αλγόριθμοι βασισμένοι στην Απόσταση Κάθε στοιχείο που απεικονίζεται στην ίδια κατηγορία μπορεί να θεωρηθεί ότι είναι πιο κοντά σε στοιχεία της ίδιας κατηγορίας από όσο είναι σε στοιχεία τα οποία ανήκουν σε άλλες. Επομένως, μέτρα ομοιότητας (ή απόστασης) μπορούν να χρησιμοποιηθούν για να οριστεί η «ομοιότητα» διαφορετικών στοιχείων στη βάση δεδομένων. Συχνά, η διαδικασία ταξινόμησης είναι πιο χρονοβόρα από τη διαδικασία εκπαίδευσής τους. Η γενική ιδέα στην οποία βασίζονται είναι, ότι οι οντότητες αποτελούν σημεία του n-διάστατου Ευκλείδειου χώρου, με κάθε μία από τις διαστάσεις να αντιστοιχεί και σε ένα γνώρισμα των οντοτήτων. Η απόσταση των οντοτήτων στο χώρο αυτό αποτελεί μια μετρική ομοιότητας ή συσχέτισής τους. Δηλαδή, πλησιέστερες οντότητες είναι πιο πιθανό να ανήκουν στην ίδια κλάση. Ο πιο γνωστός αλγόριθμος βασισμένος στα στιγμιότυπα, που εφαρμόζει την παραπάνω λογική, είναι ο αλγόριθμος των Κ πλησιέστερων γειτόνων (Νearest Νeighbors - ΚΝΝ). Η 46

47 τεχνική του KNN προϋποθέτει ότι το σύνολο εκπαίδευσης δεν περιλαμβάνει μόνο τα δεδομένα αλλά επίσης και την επιθυμητή κατηγοριοποίηση για κάθε στοιχείο. Αυτό έχει σαν αποτέλεσμα τα δεδομένα εκπαίδευσης να αποτελούν το μοντέλο. Όταν πρόκειται να γίνει μια κατηγοριοποίηση για ένα καινούριο στοιχείο, πρέπει να καθοριστεί η απόσταση του από κάθε στοιχείο του συνόλου εκπαίδευσης. Μόνο οι Κ πλησιέστερες εκχωρήσεις στο σύνολο εκπαίδευσης λαμβάνονται υπόψη στη συνέχεια. Το νέο στοιχείο τοποθετείται μετά στην κατηγορία που περιέχει τα περισσότερα στοιχεία από το σύνολο των Κ κοντινότερων στοιχείων Αλγόριθμοι βασισμένοι σε Νευρωνικά Δίκτυα Τα νευρωνικά δίκτυα (Neural Networks) αποτελούν μια ευρέως χρησιμοποιούμενη μεθοδολογία, με ποικίλες εφαρμογές σε προβλήματα επιβλεπόμενης μάθησης στην αναγνώριση προτύπων. Μια πολύ κοινή χρήση τους αφορά το πρόβλημα της ταξινόμησης (Zhang, 2000). Τα νευρωνικά δίκτυα μοντελοποιούνται με βάση τις λειτουργίες του ανθρώπινου εγκεφάλου. Στην πραγματικότητα είναι συστήματα επεξεργασίας πληροφορίας που αποτελούνται από έναν γράφο και διάφορους αλγορίθμους που προσπελαύνουν αυτό τον γράφο. Κάθε κόμβος του γράφου είναι σαν ανεξάρτητοι νευρώνες, ενώ τα τόξα είναι σύνδεσμοι νευρώνων. Κάθε ένας από τους κόμβους είναι στοιχείο επεξεργασίας που λειτουργεί ανεξάρτητα από τους άλλους και χρησιμοποιεί μόνο τοπικά δεδομένα που καθοδηγούν την επεξεργασία. Ένα νευρωνικό δίκτυο μπορεί να θεωρηθεί σαν ένας κατευθυνόμενος γράφος με πηγή (είσοδος), καταβόθρα (έξοδος) και εσωτερικούς (κρυμμένους) κόμβους. Το απλούστερο ΝΝ ονομάζεται perceptron. Ένα perceptron είναι ένας νευρώνας με πολλαπλές εισόδους και μία έξοδο. Το πρώτο perceptron πρότεινε τη χρήση μίας συνάρτησης ενεργοποίησης βήματος, αλλά είναι πιο κοινό να δούμε ένα άλλο τύπο συνάρτησης όπως η σιγμοειδή συνάρτηση. Το απλό perceptron που περιγράφεται παραπάνω, μπορεί να ταξινομήσει σωστά μόνο γραμμικά διαχωρίσιμα σύνολα οντοτήτων. Αν οι οντότητες δεν είναι γραμμικά διαχωρίσιμες, το perceptron δε θα μπορέσει ποτέ να φτάσει σε ένα σημείο που να ταξινομεί σωστά όλες τις οντότητες εισόδου. Για το λόγο αυτό, έχει προταθεί το perceptron πολλαπλών επιπέδων (multilayered perceptron) Αλγόριθμοι βασισμένοι στα Support Vector Machines Τα SVM (Μηχανές Διανυσμάτων Υποστήριξης) αποτελούν την πιο σύγχρονη τεχνική κατηγοριοποίησης. Η αρχή της μεθόδου έγκειται στον διαχωρισμό κλάσεων (σύνολο σημείων με ίδια ιδιότητα) με επίπεδα (υπερ-επίπεδα) και με βάση αυτόν τον διαχωρισμό γίνεται η κατάταξη ενός νέου σημείου σε κάποια από τις κλάσεις που διαχωρίστηκαν. Τα SVM μεταφέρουν τα δεδομένα στο χώρο χαρακτηριστικών στον οποίο τα δεδομένα είναι γραμμικά διαχωριζόμενα και έχουν μεγαλύτερες διαστάσεις, όπου γίνεται ο υπολογισμός ενός πολύ-επίπεδου μέγιστου διαχωρισμού των δύο τάξεων. Η μεταφορά επιτυγχάνεται μέσω συναρτήσεων πυρήνων, δηλαδή συναρτήσεων που δίνουν το εσωτερικό γινόμενο στο χώρο χαρακτηριστικών εκτελώντας υπολογισμούς στο χώρο δεδομένων. 47

48 Στην κατηγοριοποίηση με τα SVM, το σύνολο k των δεδομένων σημείων x Ɍ αποτελείται από δύο υποσύνολα. Το αποτέλεσμα της άγνωστης συνάρτησης y θα είναι +1 ή -1 ανάλογα σε ποιο υποσύνολο ανήκει το δοθέν σημείο x. Τα δύο αυτά υποσύνολα ονομάζονται κλάσεις και η τιμή +1 ή -1 είναι η ετικέτα της κλάσης. Δηλαδή, σε αυτή την περίπτωση τα SVM μαθαίνουν να κατατάσσουν σωστά τα σημεία x στις δύο κλάσεις. Τα σημεία x και οι αντίστοιχες τιμές της άγνωστης συνάρτησης y, αποτελούν την πληροφορία εκπαίδευσης (training set). Τα σημεία x ονομάζονται πρότυπα εκπαίδευσης (training patterns) ενώ οι τιμές y που αντιστοιχούν σε αυτά, στόχοι εκπαίδευσης (training targets). Τα SVM έχουν χρησιμοποιηθεί σε διάφορα προβλήματα όπως τη βιολογία, στην ιατρική, στη γενετική, στη χημεία, στην αναγνώριση εικόνων και κειμένων καθώς και στις οικονομικές επιστήμες. Στη βιολογία, την ιατρική και τη γενετική βλέπουμε εφαρμογές όπως η αναγνώριση ομοιότητας πρωτεϊνών με τη χρήση SVM (Ranwala & Karypis, 2005), η αναγνώριση λειτουργίας πρωτεΐνης σύμφωνα με τη δομή της (Kim & Park, 2003), η επιλογή χρήσης χημειοθεραπείας σε καρκίνο μαστού (Lee, Mangasarian, & Wolberg, 2001). 3.5 ΑΛΓΟΡΙΘΜΟΙ ΣΥΣΤΑΔΟΠΟΙΗΣΗΣ Ιεραρχικοί Αλγόριθμοι Οι ιεραρχικοί αλγόριθμοι συσταδοποίησης δημιουργούν σύνολα συστάδων. Τα αποτελέσματα του ιεραρχικού αλγορίθμου απεικονίζονται συνήθως ως μια δενδρική δομή δεδομένων, γνωστή και ως δενδρόγραμμα. Στη ρίζα του δενδρογράμματος υπάρχει μία συστάδα με όλα τα στοιχεία. Στα φύλλα του δενδρογράμματος υπάρχουν ατομικές συστάδες, δηλαδή κάθε φύλλο περιέχει μια συστάδα με ένα στοιχείο. Οι εσωτερικοί κόμβοι του δενδρογράμματος αναπαριστούν νέες συστάδες οι οποίες προκύπτουν από τη συνένωση των συστάδων που εμφανίζονται ως παιδιά τους στο δενδρόγραμμα. Κάθε επίπεδο του δενδρογράμματος συνδέεται με ένα μέτρο απόστασης που χρησιμοποιείται για τη συγχώνευση των συστάδων. Οι συστάδες ενός συγκεκριμένου επιπέδου δημιουργούνται μόνο εφόσον οι συστάδες παιδιά απέχουν μεταξύ τους απόσταση μικρότερη από την απόσταση που συνδέεται μ αυτό το επίπεδο στο δενδρόγραμμα. Οι ιεραρχικοί αλγόριθμοι κατηγοριοποιούνται ως συσσωρευτικοί ή διαιρετικοί. Η συσσωρευτική συσταδοποίηση αρχικά αναθέτει μια οντότητα ανά συστάδα. Μια ακολουθία από λειτουργίες συνένωσης τελικά οδηγεί όλες τις οντότητες στην ίδια συστάδα. Η διαιρετική συσταδοποίηση πραγματοποιεί την αντίστροφη πορεία. Οι διαιρετικοί αλγόριθμοι σπάνια χρησιμοποιούνται στην πράξη καθώς οδηγούν σε χρονοβόρο υπολογισμό αποτελέσματος. Η συνηθέστερη κριτική για τους κλασσικούς ιεραρχικούς αλγορίθμους είναι ότι στερούνται ευρωστίας και, συνεπώς, είναι ευαίσθητοι στο θόρυβο και τις απομονωμένες οντότητες (outliers) Διαμεριστικοί Αλγόριθμοι Στου μη ιεραρχικούς ή διαμεριστικούς αλγορίθμους (partitional algorithmss) οι συστάδες δημιουργούνται σε ένα βήμα. Δεδομένου ότι η έξοδος αποτελείται από ένα μόνο σύνολο συστάδων, ο χρήστης θα πρέπει να δώσει ως είσοδο το επιθυμητό πλήθος συστάδων. Επιπλέον, χρησιμοποιούνται μέτρα ποιότητας (μετρικές, συναρτήσεις κριτηρίων) για τον 48

49 προσδιορισμό της καταλληλότητας των προτεινόμενων λύσεων. Ένα μέτρο ποιότητας θα μπορούσε να είναι η μέση απόσταση μεταξύ των συστάδων ή κάποια άλλη μετρική. Η λύση που τελικά χρησιμοποιείται είναι αυτή που έχει την καλύτερη τιμή για τη συνάρτηση κριτηρίου. Ένα συνηθισμένο μέτρο είναι μία μετρική τετραγωνικού σφάλματος, η οποία μετράει την τετραγωνική απόσταση των σημείων της συστάδας από το κέντρο της συστάδας. k dis(c m, t mi ) 2 m=1 t mi K m Εξ ορισμού, η βέλτιστη διαμέριση μπορεί να βρεθεί αποτιμώντας όλες τις πιθανές διαμερίσεις. Αλλά αυτή η εξαντλητική μέθοδος είναι ανέφικτη στην πράξη. Συνεπώς, ευρετικές τεχνικές πρέπει να χρησιμοποιηθούν για τον υπολογισμό προσεγγιστικά βέλτιστων λύσεων. Ο πιο γνωστός διαμεριστικός αλγόριθμος για την εύρεση του ελάχιστου αθροίσματος τετραγωνικού σφάλματος είναι ο αλγόριθμος k-means. Μέσω του συγκεκριμένου αλγορίθμου επιτυγχάνεται μεγάλος βαθμός ομοιότητας μεταξύ των στοιχείων της ίδιας συστάδας, ενώ ταυτόχρονα επιτυγχάνεται και μεγάλη διαφορά μεταξύ των στοιχείων που ανήκουν σε διαφορετικές συστάδες. Τα τελευταία χρόνια έχουν αναπτυχθεί τεχνικές, που έχουν βελτιώσει και επιταχύνει τον k-means σε τεράστιο βαθμό [Che03, Pel99, Pel00]. Άλλος γνωστός διαμεριστικός αλγόριθμος είναι ο αλγόριθμος πλησιέστερου γείτονα στον οποίο τα στοιχεία συγχωνεύονται επαναληπτικά στις πλησιέστερες μεταξύ των συστάδων που υπάρχουν σε κάθε επανάληψη. Ένα κατώφλι, t, χρησιμοποιείται για να καθορίσει αν τα στοιχεία θα προστεθούν σε κάποια από τις υπάρχουσες συστάδες ή θα δημιουργηθεί κάποια νέα συστάδα. Η πολυπλοκότητα του αλγορίθμου πλησιέστερου γείτονα εξαρτάται από το πλήθος των στοιχείων. Σε κάθε επανάληψη, κάθε στοιχείο πρέπει να συγκριθεί με όλα τα στοιχεία που βρίσκονται στις συστάδες που έχουν δημιουργηθεί μέχρι εκείνη τη στιγμή. Στη χειρότερη περίπτωση αυτό ισούται με n. Επομένως η πολυπλοκότητα του αλγορίθμου είναι O(n 2 ) Τα τεχνητά νευρωνικά δίκτυα (Artificial Neural Networks) μπορούν με τη χρήση κατάλληλων παραλλαγών να εφαρμοστούν και σε προβλήματα μη επιβλεπόμενης μάθησης. Η συσταδοποίηση που βασίζεται σε νευρωνικά δίκτυα, κυριαρχείται από δύο τύπους προσεγγίσεων, αυτής των αυτό-οργανωμένων χαρτών (Self-Organizing Maps - SOMs) (Kohonen, 1990) και αυτής της προσαρμοστικής θεωρίας συντονισμού (Adaptive Resonance Theory - ART) (Carpenter & Grossberg, 1987). Η πιο συχνά χρησιμοποιούμενη αρχιτεκτονική νευρωνικών δικτύων για συσταδοποίηση είναι αυτή των SOMs. Η μάθηση βασίζεται στην ιδέα ότι η συμπεριφορά ενός κόμβου θα πρέπει να επιδρά μόνο στους κοντινούς του κόμβους και ακμές. Αρχικά τα βάρη ανατίθενται τυχαία και ρυθμίζονται κατά τη διάρκεια αυτής της διαδικασίας μάθησης για να παράγουν καλύτερα αποτελέσματα. Κατά τη διάρκεια αυτής της διαδικασίας μάθησης, τα κρυμμένα γνωρίσματα ή πρότυπα στα δεδομένα δεν έχουν αποκαλυφθεί και τα βάρη ρυθμίζονται ανάλογα. Πιο συγκεκριμένα η διέγερση των νευρώνων επηεράζει και τη διέγερση άλλων νευρώνων που βρίσκονται κοντά του. Επίσης οι νευρώνες που βρίσκονται σε μεγάλες μεταξύ τους 49

50 αποστάσεις φαίνεται να αλληλοαναχαιτίζονται και οι νευρώνες φαίνεται να έχουν συγκεκριμένες διακριτές μεταξύ τους λειτουργίες. 3.6 ΕΞΟΡΥΞΗ ΓΝΩΣΗΣ ΑΠΟ ΙΑΤΡΙΚΑ ΔΕΔΟΜΕΝΑ Ο ρόλος της πληροφορικής έχει εδραιωθεί πλέον στα περισσότερα συστήματα υγείας και ιατρικής περίθαλψης στον κόσμο. Οι τεχνολογίες που έχουν αναπτυχθεί τα τελευταία χρόνια έδωσαν τη δυνατότητα να αποθηκεύεται μεγάλος όγκος ιατρικών δεδομένων και υπάρχει εύκολη πρόσβαση σε αυτά (βάσεις ιατρικών δεδομένων). Όλος αυτός ο όγκος δεδομένων παρότι είναι πολύ χρήσιμος παρουσιάζει δυσκολίες στη μελέτη τους έτσι ώστε να εξαχθεί κάποια χρήσιμη πληροφορία για να παρθεί μία απόφαση. Με τις υπάρχουσες μεθόδους ανάλυσης είναι εξαιρετικά δύσκολο να υπάρξει κάποια γνώση γι αυτό και είναι αναγκαία η υλοποίηση μεθόδων μέσα από υπολογιστικά συστήματα για να πραγματοποιηθεί μία σωστή ανάλυση των δεδομένων. Η Εξόρυξη Δεδομένων εμπλέκει την τεχνολογία των βάσεων δεδομένων με τις τεχνικές μοντελοποίησης, τη στατιστική ανάλυση, την αναγνώριση προτύπων και τη μηχανική μάθηση. Κάνει χρήση προηγμένων εργαλείων για μεγάλες βάσεις δεδομένων για αυτόματες/ ημιαυτόματες αναλύσεις προκειμένου να εντοπίσει σημαντικές τάσεις και συσχετίσεις, οι οποίες δίνουν πληροφορίες για νέα δεδομένα και για δυνητική υποστήριξη στην πρόβλεψη και στη λήψη αποφάσεων. Παράλληλα αυξάνεται σημαντικά η εφαρμογή της εξόρυξης δεδομένων στους τομείς της υγειονομικής περίθαλψης και της βιοϊατρικής με επιδράσεις σε τομείς όπως η διαχείριση των πληροφοριών στο οργανισμό της υγείας, τη δημόσια υγεία, την επιδημιολογία, την παρακολούθηση και διαχείριση ασθενών, τα σήματα και την ανάλυση εικόνας. Ουσιαστικά αντιπροσωπεύει μια αποτελεσματική και αποδοτική λύση παρέχοντας νέα κριτήρια για έγκαιρη διάγνωση και πρόγνωση ή υποστηρίζοντας τη μέχρι τώρα ιατρική γνώση στη διαχείριση ασθενών, όπως ο σχεδιασμός και η εξατομίκευση θεραπείας. Η γνώση που εξάγεται από σχετικές κλινικές βάσεις δεδομένων μέσω τεχνικών της εξόρυξης γνώσης μπορεί να είναι καινοτόμα και κατάλληλα ενσωματωμένη στην ολοκληρωμένη γνώση και στη βελτίωση της αξιοπιστίας ενώ μειώνει την υποκειμενικότητα στις διαδικασίες λήψης αποφάσεων (Candelieri, Dolce, Riganello, & Sannita, January 2011). Κατά τα τελευταία χρόνια, καθώς η τεχνολογία υπολογιστών αυξάνεται ραγδαία στον τομέα της υγείας παρέχοντας υποστήριξη στους κλινικούς ιατρούς στην καθημερινή λήψη αποφάσεων. Τα εργαλεία της εξόρυξης γνώσης μπορεί να είναι χρήσιμα για να ελέγξουν τα ανθρώπινα όρια όπως είναι η υποκειμενικότητα και η κόπωση και να παρέχουν έτοιμες ενδείξεις για τις διεργασίες απόφασης (πρώιμη διάγνωση, πρόγνωση, βελτίωση ή επιδείνωση κλπ.). Η εξόρυξη δεδομένων χρησιμοποιείται ευρέως στους τομείς της ιατρικής, όπως η βιοϊατρική, το DNA, η γενετική και η φαρμακευτική. Στον τομέα της γενετικής, ο σκοπός είναι να κατανοήσουμε την χαρτογράφηση της σχέσης μεταξύ της μεταβολής των ακολουθιών του ανθρώπινου DNA και την προδιάθεση στην αρρώστια. Η εξόρυξη δεδομένων είναι ένα σημαντικό εργαλείο που μπορεί να βοηθήσει στην βελτίωση της διάγνωσης, της πρόληψης και της θεραπείας των ασθενειών (Βικιπαιδεία, 2014). 50

51 Εξαιτίας της αύξησης των βιοϊατρικών ερευνών, η μεγάλη κλίμακα γονιδιακών προτύπων και λειτουργιών πρέπει να εξετασθεί. Τα εργαλεία της εξόρυξης δεδομένων μπορούν να βοηθήσουν σε μεγάλο βαθμό για να μελετήσουμε την σύσταση του DNA και να βρούμε ποικίλα πρότυπα και λειτουργίες αυτού. Ένας από τους κύριους στόχους που σχετίζεται με την ανάλυση δεδομένων του DNA είναι η σύγκριση ποικίλων ακολουθιών και η αναζήτηση ομοιοτήτων μεταξύ των δεδομένων του DNA. Η σύγκριση κυρίως περιλαμβάνει την γονιδιακή ακολουθία υγιών και βλαβερών ιστών για να βρει την διαφορά ανάμεσα σε αυτούς τους δύο τύπους. Αυτό μπορεί να επιτευχθεί ανακτώντας τις τάξεις υγιών αλλά και βλαβερών γονιδιακών ακολουθιών και μετά βρίσκοντας τις συχνά εμφανιζόμενες μορφές των δύο τάξεων. Αυτή η ανάλυση βοηθάει στο να βρίσκουμε τις ομοιότητες και τις διαφορές στις γενετικές ακολουθίες. Στην βιοϊατρική, ερευνάται αν οι περισσότερες ασθένειες προκαλούνται από ένα συνδυασμό των γονιδίων. Η μέθοδος της συσχέτισης χρησιμοποιείται για να καθορίσει την συνύπαρξη ομάδων των γονιδίων και επίσης μπορούμε να εξετάσουμε την αλληλεπίδραση και την σχέση μεταξύ των γονιδίων. Τα εργαλεία της οπτικοποίησης παίζουν επίσης ένα σημαντικό ρόλο στην εξόρυξη δεδομένων στην βιοϊατρική. Τα εργαλεία αυτά μπορούν να παρουσιάσουν πολύπλοκες δομές γονιδίων σε γράφους, δένδρα και αλυσίδες. Η οπτική παρουσίαση βοηθάει στην καλύτερη κατανόηση αυτών των δομών για ανακάλυψη γνώσης και εξερεύνηση των δεδομένων. Υπάρχουν διάφοροι συνδυασμοί γονιδίων που συμβάλλουν στις ασθένειες, αλλά αυτά τα γονίδια ενεργοποιούνται σε διαφορετικά επίπεδα. Η ανάλυση μονοπατιού (path analysis, στην στατιστική χρησιμοποιείται για να περιγράψει τις κατευθυνόμενες εξαρτήσεις μεταξύ ενός συνόλου μεταβλητών) χρησιμοποιείται για να συνδέει διαφορετικά γονίδια με διαφορετικά στάδια κατά την εξέλιξη της ασθένειας. Η ανάλυση μονοπατιού διαδραματίζει ένα σπουδαίο ρόλο στην γενετική. Τα προβλεπτικά μοντέλα παρέχουν την καλύτερη δυνατή στήριξη για τη γνώση και την εμπειρία των κλινικών ιατρών. Προκειμένου να μειωθεί η υποκειμενικότητα έχουν προταθεί πολλά ειδικά συστήματα για να κωδικοποιούν και να παρέχουν ενοποιημένη ιατρική γνώση. Έχουν αναπτυχθεί διάφορες τεχνικές για την ανάλυση βιοϊατρικών δεδομένων από ιστούς ή υγρά του σώματος ώστε να αναπτυχθούν μοντέλα πρόβλεψης και να εντοπιστούν μικρά σύνολα των μεταβλητών (βιοδείκτες) που μπορούν να χρησιμοποιηθούν για επικύρωση. Τα ευρήματα αυτά μπορούν να βοηθήσουν στην έγκαιρη διάγνωση και θεραπεία Σχετική Έρευνα στην Εξόρυξη δεδομένων στην Νευρολογία Ο Herskovitz και Gerring (2003) (Herskovits & Gerring, 2003) πρότειναν ότι οι τεχνικές εξόρυξης δεδομένων μπορούν να εφαρμοστούν για μια καλύτερη κατανόηση της υφιστάμενης σχέσης μεταξύ μεταβλητών που λαμβάνονται από την ανάλυση βλάβηςελλείμματος (lesion-deficit analysis - LDA). Οι Bayesian μέθοδοι αποδείχθηκαν υπολογιστικά αποτελεσματικοί στην παρουσίαση μη γραμμικών σχέσεων ανάμεσα σε LDA μεταβλητές και πιο ευαίσθητες και ειδικές μεθόδους βασισμένες σε Chi-square και Fisher στατιστικά στοιχεία. Η LDA ανάλυση παρέχει εκτενείς πληροφορίες σχετικά με τι ενώσεις μεταξύ της εγκεφαλικής δομής και λειτουργίας αλλά συνήθως παράγει μεγάλο πλήθος μεταβλητών 51

52 κάνοντας έτσι τη μοντελοποίηση των σχέσεων των δεδομένων από τις παραδοσιακές στατιστικές προσεγγίσεις αρκετά δύσκολη. Η απόφαση που πρέπει να παρθεί για θέματα νευρολογικής διάγνωσης και πρόγνωσης κρίνεται συχνά ζωτικής σημασίας. Ειδικότερα, οι νευρολόγοι και οι νευροχειρούργοι πρέπει να παίρνουν αποφάσεις σε σύντομο χρονικό διάστημα και με βάση τα δεδομένα πολλών ασθενών. Πολλές μελέτες ανέλυσαν γονιδιακά δεδομένα, εργαστηριακές δοκιμές ενώ συνέκριναν διαφορετικές τεχνικές της Εξόρυξης Δεδομένων. Ο Ji και συνεργάτες πρότειναν μια διαδικασία Εξόρυξης δεδομένων για να παρέχουν στον κλινικό ιατρό χρήσιμες κατευθυντήριες γραμμές για την υποστήριξη της διαδικασίας λήψης αποφάσεων όσον αφορά τη διαχείριση των κρανιοεγκεφαλικών κακώσεων σε ασθενείς (Ji, Smith, Huynh, & Najarian, 2009). Άλλη έρευνα που έγινε πρότεινε έναν πρωτοπόρο αλγόριθμο εκτίμησης αντίστροφης συνδιασποράς, ο οποίος ανακαλύπτει τη διασύνδεση των διαφορετικών περιοχών του εγκεφάλου στην περίπτωση της νόσου Alzheimer. Ο προτεινόμενος αλγόριθμος επιτρέπει στη διαδικασία εκτίμησης να ενσωματωθούν πληροφορίες από τον χρήστη (πχ. προηγούμενη γνώση του πεδίου), ενώ τα μονοπάτια της διασύνδεσης των περιοχών του εγκεφάλου να μπορούν να ανακαλυφθούν αυτόματα. Πειραματικά αποτελέσματα στη συλλογή FDG-PET εικόνων αποδεικνύουν την αποτελεσματικότητα του προτεινόμενου αλγορίθμου για την ανάλυση της συνδεσιμότητας των περιοχών του εγκεφάλου για τη μελέτη της νόσου Alzheimer (Liang, Rinkal, Jun, Kewei, Teresa, & Jing, 2009). Μια άλλη έρευνα παρουσίασε μια νέα τεχνική, βασιζόμενη σε κανόνες συσχέτισης, οι οποίοι χρησιμοποιούνται για την εύρεση των σχέσεων μεταξύ ενεργών περιοχών του εγκεφάλου μέσω απεικόνισης με τομογραφία εκπομπής απλού φωτονίου SPECT. Ο σκοπός της έρευνας αυτής ήταν να ανακαλυφθούν οι ενώσεις μεταξύ των ιδιοτήτων που χαρακτηρίζουν τα πρότυπα διάχυσης των φυσιολογικών υποκειμένων και να τα χρησιμοποιήσουν για την έγκαιρη διάγνωση της νόσου Alzheimer. Οι προτεινόμενες μέθοδοι αξιολογήθηκαν με τη βοήθεια της Leave-one-out στρατηγικής επικύρωσης, φτάνοντας ως και 94,87% ακρίβειας ταξινόμησης, ξεπερνώντας με αυτόν τον τρόπο τις πρόσφατες αναπτυγμένες υπολογιστικά υποβοηθούμενες μεθόδους για τη διάγνωσης της νόσου Alzheimer (Chaves, Gorriz, Ramirez, Aillan, Sala-Gonzalez, & Gomez-Rio, 2011). Επιπλέον έχει γίνει μελέτη, στην οποία προτείνονται διάφορα μοντέλα για την ταξινόμηση των διαφορετικών σταδίων της νόσου Alzheimer λαμβάνοντας υπόψη τα αποτελέσματα των διαγνωστικών τεστ, την κλινική εξέταση των ασθενών, την ηλικία τους, τις νευροψυχιατρικές αξιολογήσεις, τα αποτελέσματα της εξέτασης της νοητικής τους κατάστασης και των εργαστηριακών ερευνών. Αυτές οι μέθοδοι περιλάμβαναν νευρωνικά δίκτυα, πολυεπίπεδο δίκτυο Perceptron, δέντρα απόφασης, το CANFIS και γενετικούς αλγορίθμους. Η ακρίβεια ταξινόμησης του CANFIS υπολογίστηκε στα 99,55%, η οποία ήταν η καλύτερη που βρέθηκε συγκριτικά με άλλες μεθόδους ταξινόμησης (Joshi, Simha, Shenoy, Venugopal, & Patnaik, 2010). Σε επόμενη μελέτη έχει γίνει χρήση των τεχνικών εξόρυξης γνώσης για την ανακάλυψη των παραγόντων που σχετίζονται με τη νόσο Alzheimer. Στη συγκεκριμένη μελέτη χρησιμοποιήθηκαν δύο τεχνικές των Naive Bayes και των δέντρων απόφασης. Διαπιστώθηκε 52

53 ότι η καλύτερη ταξινόμηση επιτεύχθηκε με χρήση πρώτα των δέντρων απόφασης ακολουθούμενα από το μέθοδο Naive Bayes. Στη συνέχεια χρησιμοποιήθηκαν σχετικοί κανόνες για τον προσδιορισμό των συσχετίσεων μεταξύ διαφορετικών χαρακτηριστικών και για να καθοριστεί πόσο δυνατή είναι η κάθε σχέση. Μερικοί από τους σημαντικότερους παράγοντες που επηρεάζουν είναι το φύλο, η ηλικία, το επίπεδο προσοχής, το μορφωτικό επίπεδο και το επάγγελμα (Dr. Makram Labib & Sayed Badawy, 2014). 53

54 54

55 4 ΠΡΟΤΕΙΝΟΜΕΝΗ ΙΑΤΡΙΚΗ ΣΥΜΠΕΡΑΣΜΑΤΟΛΟΓΙΑ When the mind is thinking it is talking to itself. Plato Η προληπτική ιατρική συμπερασματολογία και λήψη αποφάσεων βασίζεται στα εξαχθέντα χαρακτηριστικά των μεταβλητών και όχι στις ίδιες τις μεταβλητές. Για την επιλογή του κατάλληλου αλγορίθμου ιατρικής συμπερασματολογίας εξετάστηκαν ποικίλες λύσεις, που κυμαίνονται από στατιστική επεξεργασία σήματος, θεωρία στατιστικής μάθησης, νευρωνικής μάθησης, ή ακόμη και υβριδικές λύσεις, ξεκινώντας από την «ελάχιστη» λύση που προσφέρει ένα έμπειρο σύστημα εκμεταλλευόμενο εξειδικευμένη ή και γενική ιατρική εμπειρία και γνώση. Επίσης, βασική προϋπόθεση για την διασφάλιση πληρέστερου και πιο εύρωστου συμπερασμού είναι να λαμβάνεται υπόψη η ανάλυση των χρονικών χαρακτηριστικών των υπό παρακολούθηση μεταβλητών συμπεριλαμβάνοντας την χρονική τους εξέλιξη και τις τάσεις που παρατηρούνται. 4.1 ΙΑΤΡΙΚΗ ΣΥΜΠΕΡΑΣΜΑΤΟΛΟΓΙΑ ΣΤΟ ΈΡΓΟ ΕΝ-ΝΟΗΣΗΣ Στο πλαίσιο του έργου Εν-ΝΟΗΣΗΣ, προβλέπονται τρεις διακριτές μέθοδοι για τη λήψη των απαραίτητων μετρήσεων: Ασκήσεις/ παιχνίδια που θα παρουσιάζονται ηλεκτρονικά στον χρήστη Εκτέλεση δραστηριοτήτων μέσα σε ένα εικονικό περιβάλλον Παρακολούθηση καθημερινής δραστηριότητας (Activities of Daily Living ADL) εντός της οικίας Οι μέθοδοι αυτές διαφοροποιούνται από την καθιερωμένη κλινική εξέταση, στοχεύοντας στη χρήση τεχνολογικών μέσων που τελικά θα ενισχύσουν τη διαδικασία της ιατρικής πράξης (αποτίμηση κατάστασης ασθενούς, εκτίμηση πρόγνωσης) μέσω της καταγραφής ποσοτικών μετρήσεων που θα γίνονται με πολύ μεγαλύτερη χρονική συχνότητα από αυτήν κατά την οποία διενεργείται μια κλινική εξέταση. Επίσης, θα υποβοηθήσουν τη νοητική ενδυνάμωση των ασθενών και ταυτόχρονα τη μέτρηση αυτής της ενδυνάμωσης. Από τις παραπάνω μεθόδους, η πρώτη και η δεύτερη μπορούν να θεωρηθούν ενεργές μέθοδοι, υπό την έννοια ότι ο ασθενής συμμετέχει συνειδητά στη διαδικασία εκτέλεσης της δραστηριότητας, σε αντίθεση με την τρίτη μέθοδο, κατά την οποία η καθημερινή δραστηριότητα του ασθενή καταγράφεται χωρίς την ενεργό συμμετοχή του. Η διαδικασία ένταξης των μεθόδων μέτρησης στο έργο γίνεται μέσω της δημιουργίας σεναρίων, στα οποία ο ασθενής συμμετέχει. Η επιλογή των σεναρίων γίνεται με τα εξής κριτήρια: 1. Την ικανότητά τους να μας προσφέρουν μετρήσεις ικανές να διακρίνουμε τα επίπεδα διαφόρων λειτουργιών (π.χ. μνήμη) κατά την παρουσία ΗΝΔ ή ΝΑ 2. Τη δυνατότητα για εφαρμογή στατιστικών και υπολογιστικών μεθοδολογιών που θα μας οδηγήσουν στη εξαγωγή συμπερασμάτων 3. Την κατά το δυνατόν μικρότερη διαταραχή της καθημερινότητας του ασθενή 55

56 Σε κάθε περίπτωση, κατά την επιλογή των σεναρίων, γίνονται σεβαστές οι αρχές της βιοηθικής. Στοχεύοντας στην εξαγωγή συμπερασμάτων μετά από ανάλυση των μετρήσεων, η μείωση της πολυπλοκότητας του προβλήματος και η ανάδειξη της χρήσιμης πληροφορίας αποτελεί τον πρώτο βασικό στόχο. Προκειμένου να αναδειχθεί κάποια από τις μετρούμενες μεταβλητές ως χρήσιμος παράγοντας που θα μπορεί να διακρίνει ανάμεσα στα διαφορετικά επίπεδα της νόσου, θα πρέπει να απομονωθεί κατά το δυνατόν η επίδραση άλλων μεταβλητών που με τυχαίο τρόπο επηρεάζουν τις μετρήσεις. Αυτό γίνεται ευκολότερα εφικτό σε σενάρια στα οποία οι συνθήκες μέτρησης είναι καλά ελεγχόμενες, εύκολα επαναλήψιμες και που οδηγούν σε ακριβείς μετρήσεις. Είναι επομένως προτιμητέα, κάτω από αυτή την προσέγγιση, τα σενάρια που εμπλέκουν μεθόδους όπως οι (1) και (2), δηλαδή την καταγραφή από το σύστημα της αλληλεπίδρασης του ασθενή με τα ηλεκτρονικά παιχνίδια και με το εικονικό περιβάλλον. Ο σχεδιασμός των συνθηκών της μέτρησης μπορεί να είναι απόλυτα ελεγχόμενος ώστε να εκλείπουν οι πηγές «θορύβου» κατά την καταγραφή των μετρήσεων. Οι αποκρίσεις του ασθενή είναι κωδικοποιημένες με βάση τη διεπαφή (erface) μεταξύ συστήματος και ασθενή και μπορούν έτσι να αντιστοιχούνται άμεσα στην κατάσταση συγκεκριμένων νοητικών λειτουργιών. Επίσης, οι ασκήσεις μπορούν να επαναλαμβάνονται στο χρόνο σύμφωνα με το σχεδιασμό που υιοθετείται, παρέχοντας το απαραίτητο πλήθος μετρήσεων για την εξαγωγή στατιστικά σημαντικών συμπερασμάτων. Η χρήση σεναρίων με παρακολούθηση της καθημερινής δραστηριότητας του ασθενή θα καλύψει μια επίσης σημαντική πτυχή του στόχου του έργου, καθώς θα δώσει τη δυνατότητα ποσοτικής μέτρησης εκείνων των μεταβλητών τις οποίες παραδοσιακά αναζητά ο κλινικός ιατρός μέσω συζήτησης με τον ασθενή ή/ και το συνοδό του. Η δραστηριότητα του ασθενή τόσο κατά την εκτέλεση συγκεκριμένων πράξεων όσο και η κινητική του κατάσταση κατά τη συνήθη διαβίωσή του στο σπίτι μπορούν να καταγράφονται με ποσοτικό τρόπο και να μην αντλούνται ποιοτικά από τη συζήτηση μαζί του. Η χρήση κάμερας βάθους (και όχι οπτικής) με αποκλεισμό συγκεκριμένων περιοχών/ δωματίων του σπιτιού εξασφαλίζει τις προϋποθέσεις που θέτει η βιοηθική για τη λήψη μετρήσεων. Εξ ίσου σημαντικό στόχο αποτελεί η δυνατότητα σύγκρισης μεταξύ διαφορετικών καταστάσεων και η ποσοτική εκτίμηση των διαφορών που παρατηρούνται. Η διαδικασία αυτή προϋποθέτει τη συλλογή μετρήσεων αναφοράς ώστε να μπορεί να εξαχθεί το συμπέρασμα για πιθανή έκπτωση (ή ενδυνάμωση) των κατά περίπτωση νοητικών λειτουργιών. Για το σκοπό αυτό η σύγκριση γίνεται χρησιμοποιώντας ως αναφορά τις μετρήσεις του ίδιου ασθενή σε άλλη χρονική στιγμή. Κάθε ασθενής καθίσταται «μάρτυρας» (με τη στατιστική έννοια του όρου control) του εαυτού του, εξαλείφοντας την επίδραση άλλων παραγόντων που θα μπορούσαν να οδηγήσουν σε λανθασμένα συμπεράσματα. Τα σενάρια που εμπλέκουν τη μέθοδο της άσκησης και του ηλεκτρονικού παιχνιδιού λειτουργούν τόσο ενδυναμωτικά στον ασθενή όσο και μετρητικά για την τρέχουσα κατάσταση του ασθενή. Το χαρακτηριστικό αυτό, που δείχνει τη συνέλιξη μεταξύ μιας διαδικασίας που επηρεάζει τη μέτρηση και της ίδιας της διαδικασίας μέτρησης, αναδεικνύει το ζήτημα της αντικειμενικής (χωρίς παρεμβάσεις) εκτίμησης της κατάστασης του ασθενή στη διάρκεια του χρόνου. Για το σκοπό αυτό, πρέπει να επιλεγούν με κατάλληλο τρόπο 56

57 υποπληθυσμοί ασθενών (η χρονικών περιόδων κατά τη μελέτη των ίδιων ασθενών) ώστε να οριοθετηθεί η επίδραση της ενδυνάμωσης στην (μειωμένη) έκπτωση νοητικής λειτουργίας σε σύγκριση με εκείνους που δεν υφίστανται ενδυνάμωση Προδιαγραφές Ιατρικής Συμπερασματολογίας Η ιατρική συμπερασματολογία που προτείνεται στοχεύει στα βέλτιστα αποτελέσματα για τη διάγνωση, πρόληψη και καταστολή τα ΗΝΔ και της νόσου Alzheimer. Οι μεθοδολογίες που χρησιμοποιούνται σήμερα είναι ποικίλες και στηρίζονται σε τεχνικές εξόρυξης δεδομένων, στη διαδικασία δηλαδή της αυτόματης εξαγωγής χρήσιμης αλλά όχι και τόσο προφανούς γνώσης από μεγάλα σύνολα δεδομένων. Οι μεθοδολογίες που θα παρουσιαστούν σε επόμενο υποκεφάλαιο αφορούν την ανάλυση του προληπτικού ιατρικού συμπερασμού και τη λήψη ιατρικών αποφάσεων συντάσσοντας την ιατρική συμπερασματολογία του συστήματος Εν-ΝΟΗΣΗΣ, την ερμηνεία δηλαδή των μετρήσεων των διαφόρων μεταβλητών με στόχο την ορθή ιατρική εκτίμηση για τον υπό παρακολούθηση ασθενή. Η συμπερασματολογία περιλαμβάνει πολλά βήματα και χαρακτηριστικά ακολουθώντας τις παρακάτω βασικές προϋποθέσεις: α) Ορισμός συγκεκριμένων στόχων για την ιατρική ερμηνεία. β) Χρήση της a priori ιατρικής γνώσης είτε από τη βιβλιογραφία είτε από την εμπειρία των ειδικών ιατρών. γ) Προ-επεξεργασία και συσχέτιση των μετρήσιμων μεταβλητών με στόχο την ποσοτικοποίηση ή κανονικοποίηση τους στις ανάγκες του αλγορίθμου. δ) Χρήση έξυπνων αλγορίθμων πρόβλεψης και εκτίμησης για το ιατρικό συμπέρασμα. ε) Απόφαση βασισμένη στην χρονική παρακολούθηση και στο καταγεγραμμένο ιστορικό του ασθενή. στ) Εξαγωγή συμπεράσματος για Πρόγνωση, Διάγνωση, Παρακολούθηση και Ενδυνάμωση ασθενών με Νοητικές Διαταραχές. ζ) Την δυνατότητα μελέτης για την επιρροή νέων μεταβλητών σε νοητικές διαταραχές. Για την επίτευξη των παραπάνω στόχων έγινε αναλυτική μελέτη τόσο των επιμέρους σύγχρονων μεθοδολογιών όσο και της ανάλυσης των αποτελεσμάτων των αλγορίθμων που υλοποιήθηκαν για το έργο, ώστε να παρουσιαστεί μια ολοκληρωμένη και ορθή προσέγγιση για την ιατρική συμπερασματολογία στο σύστημα Εν-ΝΟΗΣΗΣ Μεθοδολογίες Ιατρικής Συμπερασματολογίας Ο αλγόριθμος απόφασης του υποσυστήματος λήψης αποφάσεων για το έργο Εν-ΝΟΗΣΗΣ βασίζεται σε τέσσερις ομάδες συλλογής δεδομένων. Οι ομάδες αυτές είναι οι εξής: 1) Καρτέλα ασθενή 2) Σενάρια ηλεκτρονικών παιχνιδιών 3) Σενάρια δραστηριοτήτων καθημερινότητας 4) Βιοϊατρικές μεταβλητές Οι μεταβλητές που υπολογίστηκαν από αυτές τις ομάδες δεδομένων τροφοδότησαν τον αλγόριθμο ιατρικού συμπεράσματος. Ο αλγόριθμος ακολουθώντας κανόνες απόφασης βαρών κ.α. εξάγει τελικά το ιατρικό συμπέρασμα που είναι ένα εκ των 4 σταδίων: 57

58 α) Φυσιολογική κατάσταση β) Φυσιολογική διαταραχή της μνήμης λόγω ηλικίας γ) Ήπια Νοητική Διαταραχή δ) Ήπια Νόσος Alzheimer Εκτός της κατηγοριοποίησης του ασθενή εξάγεται και συμπέρασμα για την πορεία και εξέλιξη της νόσου κατόπιν εφαρμογής των σεναρίων παρακολούθησης και των παιχνιδιών για τους ασθενείς. Ο αλγόριθμος απόφασης φαίνεται στο παρακάτω σχήμα: Εικόνα 5: Αλγόριθμος Απόφασης 4.2 ΠΑΡΟΥΣΙΑΣΗ ΔΕΔΟΜΕΝΩΝ ΚΑΙ ΜΕΤΑΒΛΗΤΩΝ Όπως αναφέρθηκε ο αλγόριθμος απόφασης συμπεριλαμβάνει παραμέτρους από 4 ομάδες μεταβλητών. Αυτές οι μεταβλητές αφού υποστούν την επεξεργασία που αναφέρθηκε και παραπάνω θα μπορέσουν να τροφοδοτήσουν τον αλγόριθμο απόφασης ώστε να παραχθεί το τελικό score που θα αναδεικνύει την κατάσταση αλλά και την εξέλιξη της πορείας του ασθενή Καρτέλα Ασθενή Για την καλύτερη και πιο λεπτομερή εικόνα της πορείας του ασθενή, δημιουργείται η καρτέλα του ασθενή, ένα σύστημα καταγραφής και παρακολούθησης του (follow up) που περιέχει όλες τις πληροφορίες για το ιστορικό και τις συνήθειες του ασθενή. Η ομάδα της καρτέλας του ασθενή περιλαμβάνει την ανάκτηση των απαραίτητων δεδομένων που αφορούν τον συγκεκριμένο χρήστη/ ασθενή. Συγκεκριμένα, σύμφωνα με την ιατρική βιβλιογραφία σημαντικό ρόλο στην εξαγωγή του αποτελέσματος για την σταδιοποίηση του ασθενή παίζουν και τα δημογραφικά στοιχεία, τα οποία περιγράφονται παρακάτω: Το φύλο, καθώς υπάρχουν διαφορές στην εκτέλεση καθημερινών δραστηριοτήτων λόγω των στερεότυπων που ισχύουν για τα δυο φύλα Η ηλικία ως ένας σημαντικός παράγοντας καθώς στα πλαίσια του έργου καθορίστηκαν κάποια ηλικιακά όρια συμμετοχής. Η άνοια είναι ένα από τα πιο συχνά προβλήματα υγείας του ηλικιωμένου πληθυσμού. Είναι γνωστό σε όλους μας ότι ο 58

59 επιπολασμός της άνοιας αυξάνεται με την ηλικία. Μάλιστα υποστηρίζεται ότι το ποσοστό διπλασιάζεται κάθε πέντε χρόνια μετά την ηλικία των 65 ετών (η AD χτυπά >65 ετών, τελευταίο στάδιο AD > 75). Η επαγγελματική και κοινωνική δραστηριότητα του ασθενούς καθώς αρκετές έρευνες έχουν δείξει ότι υπάρχει σχέση μεταξύ χαμηλού μορφωτικού επιπέδου και άνοιας και ιδιαίτερα τύπου Alzheimer. Πρόσφατα μάλιστα σε έρευνα με 528 άτομα που έπασχαν από άνοια βρέθηκε ότι το χαμηλό μορφωτικό επίπεδο αύξησε τον κίνδυνο για τη νόσο Alzheimer σε γυναίκες με λιγότερα από 8 χρόνια εκπαίδευσης (Nourhashemi et al, 2000; Launer et al, 1999). Οι πληροφορίες που αφορούν το ιατρικό ιστορικό του ασθενούς (κληρονομικότητα) αποτελούν τον ακρογωνιαίο λίθο της ιατρικής πρακτικής και περιλαμβάνει τις γνωστικές λειτουργίες που επηρεάζονται, τον τρόπο έναρξης, τον τρόπο εξέλιξης καθώς και τις επιπτώσεις τους στις καθημερινές δραστηριότητες. Προηγούμενο ιατρικό ιστορικό, συννοσηρότητα, οικογενειακό ιστορικό και επίπεδο εκπαίδευσης κρίθηκαν σημαντικά ώστε να συμπεριληφθούν στα ερωτηματολόγια του έργου. Εκτός των δημογραφικών στοιχείων για τις ανάγκες του Εν-ΝΟΗΣΗΣ όσον αφορά τη μέτρηση του επιπέδου της νόσου Alzheimer στους ασθενείς διεξήχθησαν τα παρακάτω τεστ, τα οποία έχουν διαπιστωθεί ότι αποδίδουν σωστά τις ιδιαιτερότητες της νόσου. Τα τεστ αυτά είναι τα εξής: Η νοητική επίδοση μέσω της Σύντομης Εξέτασης της Νοητικής Κατάστασης (Mini Mental State Examination-MMSE) για την αξιολόγηση του γενικού γνωστικού επιπέδου Η συναισθηματική κατάσταση (Γηριατρική Κλίμακα Κατάθλιψης [Geriatric Depression Scale GDS] μέσω της κλίμακας Κατάθλιψης του Hamilton- Hamilton Depression Rating Scale-HDRS) και τη συσχέτισή της με την επιτέλεση των καθημερινών δραστηριοτήτων Η ανίχνευση άγχους μέσω του ερωτηματολογίου Άγχους του Beck- Beck Anxiety Inventory Σενάρια ηλεκτρονικών παιχνιδιών Η πρώτη ομάδα συλλογής δεδομένων αφορά τις μεταβλητές σεναρίων ηλεκτρονικών παιχνιδιών οι οποίες περιλαμβάνουν τα παρακάτω σενάρια: Σενάρια Ηλεκτρονικών Παιχνιδιών Ασκήσεις ελέγχου ομιλίας Παιχνίδια εικονικής πραγματικότητας Κωδικός Σεναρίου S01 S02 S03 S04 S05 S06 S07 S08 Πίνακας 1: Σενάρια Ηλεκτρονικών Παιχνιδιών Σενάρια Ανάγνωση Κειμένου Αναγνώριση Αντικειμένου Απάντηση σε Ερώτηση Ψώνια σε Εικονική Υπεραγορά Εικονικό Μαγείρεμα Ταξινόμηση και Επιλογή Βιβλίων Περιποίηση Κήπου Πλύσιμο Ρούχων 59

60 Στα σενάρια των ηλεκτρονικών παιχνιδιών πρέπει να προστεθεί και ο βαθμός δυσκολίας της δραστηριότητας, ώστε να υπολογιστεί σωστά η μεταβλητή που θα συμμετάσχει στο τελικό score. Στην ομάδα αυτή επίσης γίνεται συνδυασμός μεταβλητών με στόχο την πρόβλεψη χρήσιμων καταστάσεων/ λειτουργιών (μνήμη, αφασία κλπ.) του ασθενή. Η κατάταξη και συσχετίσεις των λειτουργιών με τα σενάρια και τις αντίστοιχες μεταβλητές που μετρήθηκαν στο Εν-ΝΟΗΣΗΣ παρουσιάζεται παρακάτω: Κωδικός Λειτουργίας F01 Λειτουργίες Φασία Σενάρια Ανάγνωση Κειμένου Αναγνώριση Αντικειμένου Απάντηση σε Ερώτηση Ταξινόμηση και Επιλογή Βιβλίων (ανάγνωση τίτλου βιβλίου) F02 Γνωσία Πλύσιμο Ρούχων F03 F04 F05 Μνήμη Πραξία Εκτελεστική λειτουργία Ταξινόμηση και Επιλογή Βιβλίων Περιποίηση Κήπου Πλύσιμο Ρούχων Εικονικό Μαγείρεμα Ψώνια σε Εικονική Υπεραγορά Ταξινόμηση και Επιλογή Βιβλίων Περιποίηση Κήπου Πλύσιμο Πιάτων Εικονικό Μαγείρεμα Ψώνια σε Εικονική Υπεραγορά Περιποίηση Κήπου Πλύσιμο Ρούχων (σύνθετη) Ετοιμασία Καφέ Μαγείρεμα (ή εικονικό μαγείρεμα) Ψώνια σε Εικονική Υπεραγορά F06 Οπτική Γνωσία Ψώνια σε Εικονική Υπεραγορά F07 Γνωσία Χώρου Ταξινόμηση και Επιλογή Βιβλίων F08 Αναγνώριση συνόλου &αντικειμένων Ταξινόμηση και Επιλογή Βιβλίων F09 Προγραμματισμός Πλύσιμο Ρούχων F10 Σχεδιασμός Ψώνια σε Εικονική Υπεραγορά Πίνακας 2: Συσχέτιση Λειτουργιών Σεναρίων Ηλεκτρονικών Παιχνιδιών 60

61 Ο πίνακας που ακολουθεί απαριθμεί τις υπολογιζόμενες μεταβλητές που χρησιμοποιούνται στη μέτρηση του score των σεναρίων των ηλεκτρονικών παιχνιδιών και κωδικοποιεί τις μεταβλητές με τέτοιο τρόπο ώστε να διαχωρίζονται ανάλογα με τα σενάρια. Σενάρια Ανάγνωση Κειμένου Αναγνώριση Αντικειμένου Κωδικός Μεταβλητών S01.V01 S01.V02 S01.V03 S01.V04 S02.V01 S02.V02 S02.V03 S02.V04 Περιγραφή Μεταβλητών Σωστή ανάγνωση κειμένου Πλήθος λάθος λέξεων Χρονικό διάστημα ανάγνωσης μεγαλύτερο από κάποιο συγκεκριμένο κατώφλι (π.χ. 3 λεπτά) Συχνότητα εμφάνισης κενών ομιλίας του χρήστη Σωστή απάντηση Χρήση περιγραφικών λέξεων Χρονικό διάστημα ανάγνωσης μεγαλύτερο από κάποιο συγκεκριμένο κατώφλι (π.χ. 3 λεπτά) Συχνότητα εμφάνισης κενών ομιλίας του χρήστη Απάντηση σε Ερώτηση S03 Χωρίς υπολογιζόμενες μεταβλητές Ψώνια σε Εικονική Υπεραγορά Εικονικό Μαγείρεμα S04.V01 S04.V02 S04.V03 S05.V01 S05.V02 S05.V03 S05.V04 S05.V05 Επιλογή αντικειμένου που υπάρχει στη λίστα Πλήθος ανατοποθετήσεων στα ράφια Πλήθος και ποσοστό σωστά επιλεγμένων αντικειμένων Αριθμός ανοίγματος/κλεισίματος ντουλαπιών Συχνότητα ανοίγματος/κλεισίματος ντουλαπιών (π.χ. 5 ανοίγματα ανά 2 λεπτά) Αριθμός ανοίγματος/κλεισίματος πόρτας ψυγείου Συχνότητα ανοίγματος/κλεισίματος πόρτας ψυγείου (π.χ. 5 ανοίγματα ανά 2 λεπτά) Χρονική διάρκεια που μένει ανοικτή η ηλεκτρική κουζίνα 61

62 Ταξινόμηση και Επιλογή Βιβλίων Περιποίηση Κήπου Πλύσιμο Ρούχων S05.V06 S05.V07 S05.V08 S05.V09 S06.V01 S06.V02 S06.V03 S06.V04 S06.V05 S06.V06 S07.V01 S07.V02 S07.V03 S07.V04 S07.V05 S07.V06 S07.V07 S07.V08 S07.V09 S08.V01 S08.V02 S08.V03 Χρονική διάρκεια που μένει ανοικτή η ηλεκτρική κουζίνα μετά την αφαίρεση σκεύους μαγειρέματος από τη κουζίνα Σειρά εκτέλεσης ενεργειών Χρονικό διάστημα μεταξύ ενεργειών Πλήθος άσκοπων ή λανθασμένων ενεργειών μεταξύ δυο σωστών ενεργειών Σωστή ή λάθος επιλογή βιβλίου Σωστή ή λάθος τοποθέτηση βιβλίου Πλήθος ανατοποθετήσεων στη βιβλιοθήκη Πλήθος και ποσοστό σωστά επιλεγμένων βιβλίων Πλήθος και ποσοστό σωστά τοποθετημένων βιβλίων Χρονικό διάστημα αδράνειας χρήστη Σωστή ή λάθος επιλογή εργαλείων Σωστή ή λάθος τοποθέτηση εργαλείων Σωστή ή λάθος επιλογής φυτού/αντικειμένου Χρόνος χρήσης εργαλείου Πλήθος ανατοποθετήσεων στην εργαλειοθήκη Πλήθος και ποσοστό σωστά επιλεγμένων εργαλείων Πλήθος και ποσοστό σωστά τοποθετημένων εργαλείων Πλήθος και ποσοστό σωστών χρήσεων εργαλείων Χρονικό διάστημα αδράνειας χρήστη Σωστή ή λάθος επιλογή ρούχου Σωστή ή λάθος τοποθέτηση ρούχου στο πλυντήριο Πλήθος και ποσοστό σωστά επιλεγμένων ρούχων 62

63 S08.V04 S08.V05 S08.V06 S08.V07 S08.V08 S08.V09 S08.V10 S08.V11 Πλήθος και ποσοστό σωστά τοποθετημένων ρούχων στο πλυντήριο Χρόνος ολοκλήρωσης της διαδικασίας Χρόνος από τη στιγμή επιλογής του ρούχου μέχρι τη τοποθέτησή του στο πλυντήριο Σωστή ή λάθος επιλογή προγράμματος Σωστή χρήση απορρυπαντικού Χρόνος από τη στιγμή που θα τοποθετήσει όλα τα ρούχα στο πλυντήριο μέχρι την ολοκλήρωση του προγραμματισμού αυτού Σωστή εντολή έναρξης πλυντηρίου Χρονικό διάστημα αδράνειας χρήστη Πίνακας 3: Συσχέτιση Σεναρίων Ηλεκτρονικών Παιχνιδιών Μεταβλητών Σενάρια δραστηριοτήτων καθημερινότητας Η δεύτερη ομάδα συλλογής δεδομένων αφορά τα σενάρια δραστηριοτήτων καθημερινότητας και περιλαμβάνει τα παρακάτω σενάρια: Σενάρια Δραστηριοτήτων Καθημερινότητας Κωδικός Σεναρίου S09 S10 S11 S12 S13 S14 S15 S16 Σενάριο Κυκλοφορία στο χώρο Ύπνος-Ξεκούραση Προσωπική Υγιεινή Ετοιμασία Καφέ Πλύσιμο Πιάτων Παρακολούθηση Τηλεόρασης Λήθη Κλειδιών Καθημερινή Σωματική Δραστηριότητα Πίνακας 4: Σενάρια Δραστηριοτήτων Καθημερινότητας Στην ομάδα αυτή όπως και στα σενάρια ηλεκτρονικών παιχνιδιών γίνεται συνδυασμός μεταβλητών με στόχο την πρόβλεψη χρήσιμων καταστάσεων/ λειτουργιών (μνήμη, αφασία 63

64 κλπ.) του ασθενή. Η κατάταξη και συσχετίσεις των λειτουργιών με τα σενάρια και τις αντίστοιχες μεταβλητές που μετρήθηκαν στο Εν-ΝΟΗΣΗΣ παρουσιάζεται παρακάτω: Κωδικός Λειτουργίας Λειτουργίες Σενάρια F01 Φασία Παρακολούθηση Τηλεόρασης Λήθη Κλειδιών F02 Γνωσία Πλύσιμο Ρούχων Κυκλοφορία στο χώρο (άμεσα) Παρακολούθηση Τηλεόρασης F03 Μνήμη Προσωπική Υγιεινή Ετοιμασία Καφέ Λήθη Κλειδιών F04 Πραξία Ετοιμασία Καφέ Πλύσιμο Πιάτων Παρακολούθηση Τηλεόρασης F05 Εκτελεστική λειτουργία Ετοιμασία Καφέ F11 Τοπογραφική Μνήμη Κυκλοφορία στο χώρο F12 Λειτουργική Μνήμη Κυκλοφορία στο χώρο F13 Κινητικότητα Κυκλοφορία στο χώρο F14 Ισορροπία Κυκλοφορία στο χώρο F15 Ποιότητα Ύπνου Ύπνος- Ξεκούραση Πίνακας 5: Συσχέτιση Λειτουργιών - Σεναρίων Δραστηριοτήτων Καθημερινότητας Ο πίνακας που ακολουθεί απαριθμεί τις υπολογιζόμενες μεταβλητές που χρησιμοποιούνται στη μέτρηση του score των σεναρίων των δραστηριοτήτων καθημερινότητας και κωδικοποιεί τις μεταβλητές με τέτοιο τρόπο ώστε να διαχωρίζονται ανάλογα με τα σενάρια. 64

65 Σενάρια Κυκλοφορία στο χώρο Ύπνος - Ξεκούραση Προσωπική Υγιεινή Ετοιμασία Καφέ Κωδικός Μεταβλητών S09.V01 S09.V02 S10.V01 S10.V02 S11.V01 S11.V02 S11.V03 S11.V04 S11.V05 S11.V06 S12.V01 S12.V02 S12.V03 Περιγραφή Μεταβλητών Πρότυπα επαναλαμβανόμενης κίνησης σε κάποιο χρονικό διάστημα για πάνω από κάποιο κατώφλι (π.χ. 10 είσοδοι/έξοδοι σε ένα δωμάτιο σε 5 λεπτά) Χρονικά διαστήματα που τα φώτα είναι ανάμενα σε κάποιο δωμάτιο χωρίς να είναι ο ασθενής σε αυτό Συνολικός χρόνος ύπνου στη διάρκεια του 24ώρου Χρονικά διαστήματα διακοπής ύπνου και τις ώρες που συνέβησαν Αριθμός εισόδου/εξόδου στο μπάνιο σε ένα 24ωρο Αριθμός χρήσεων νιπτήρα και το αντίστοιχο χρονικό διάστημα Αριθμός ανοίγματος/κλεισίματος ντουλαπιού με την οδοντόκρεμα Αριθμός αφαίρεσης/τοποθέτησης οδοντόβουρτσας από/στη θήκη Έλεγχος σωστής σειράς εκτέλεση ενεργειών: 1. Άνοιγμα ντουλαπιού με οδοντόκρεμα και αφαίρεση οδοντόβουρτσας 2. Άνοιγμα νιπτήρα 3. Κλείσιμο νιπτήρα 4. Τοποθέτηση οδοντόβουρτσας κλείσιμο ντουλαπιού με την οδοντόκρεμα Χρόνος εκτέλεσης της διαδικασίας βουρτσίσματος πάνω από κάποιο συγκεκριμένο κατώφλι (π.χ. 5 λεπτά) Έλεγχος ανοίγματος/κλεισίματος ντουλαπιών που έχουν τα απαραίτητα υλικά ή μαγειρικά σκεύη Αριθμός ανοίγματος/κλεισίματος ντουλαπιών Συχνότητα ανοίγματος/κλεισίματος ντουλαπιών (π.χ. 5 ανοίγματα ανά 2 λεπτά) 65

66 Πλύσιμο Πιάτων Παρακολούθηση Τηλεόρασης Λήθη Κλειδιών Καθημερινή Σωματική Δραστηριότητα S12.V04 S12.V05 S12.V06 S12.V07 S13.V01 S13.V02 S13.V03 S13.V04 S13.V05 S14.V01 S14.V02 S14.V03 S14.V04 S14.V05 S15.V01 S16.V01 S16.V02 S16.V03 Έλεγχος σωστής σειράς εκτέλεση ενεργειών: 1. Ανοίγει το ντουλάπι με το μπρίκι (μαγειρικό σκεύος) 2. Ανοίγει το ντουλάπι με τον καφέ και τη ζάχαρη 3. Ανοίγει το ντουλάπι που είναι τα φλιτζάνια 4. Ανοίγει το μάτι της κουζίνας 5. Κλείνει το μάτι της κουζίνας Χρονική διάρκεια των παραπάνω ενεργειών και έλεγχος αν είναι πάνω από κάποιο συγκεκριμένο κατώφλι (π.χ. 10 λεπτά) Χρονική διάρκεια που μένει ανοικτή η ηλεκτρική κουζίνα Χρονική διάρκεια που μένει ανοικτή η ηλεκτρική κουζίνα μετά την αποχώρηση του ατόμου από το χώρο της κουζίνας Αριθμός ανοίγματος/κλεισίματος βρύσης Συχνότητα ανοίγματος/κλεισίματος βρύσης (π.χ. 5 ανοίγματα ανά 2 λεπτά) Χρονική διάρκεια που μένει ανοικτή η βρύση Χρονική διάρκεια που μένει ανοικτή η βρύση μετά την αποχώρηση του ατόμου από τον χώρο της κουζίνας Πλήθος πτώσεων μικρών αντικειμένων Χρόνος παρακολούθησης τηλεόρασης στο 24ωρο Συχνότητα ανοίγματος/κλεισίματος τηλεόρασης (π.χ. 5 ανοίγματα ανά 1 λεπτά) Συχνότητα αλλαγής καναλιών (π.χ. 15 ανοίγματα ανά 1 λεπτά) Συχνότητα και διάρκεια ύπνου κατά τη παρακολούθηση προγράμματος στην τηλεόραση Συχνότητα και χρόνος αποχώρησης από το χώρο με τη τηλεόραση ανοικτή Έξοδος ατόμου από το σπίτι χωρίς τα κλειδιά Πλήθος βημάτων ανά 24ωρο Ένταση σωματικής δραστηριότητας Ενεργειακή δαπάνη ανά 24ωρο Πίνακας 6: Συσχέτιση Σεναρίων Δραστηριοτήτων Καθημερινότητας Μεταβλητών 66

67 4.2.4 Βϊοιατρικές μεταβλητές Οι βιολογικές μεταβλητές μετρήθηκαν με τη βοήθεια του εξοπλισμού που αγοράστηκε από το Πανεπιστήμιο Πατρών (ΠΠ) στα πλαίσια του έργου Εν-ΝΟΗΣΗΣ ώστε να γίνει έλεγχος αν ενσωματώνοντάς τις στον αλγόριθμο απόφασης επηρεάζεται η πρόβλεψη της εξέλιξης της νόσου. Οι βιοϊατρικές μεταβλητές έχουν ως στόχο τον εντοπισμό τυχόν ανωμαλιών που μπορούν να εμφανιστούν στον ασθενή κυρίως χρησιμοποιώντας τον ως «μάρτυρα του εαυτού του». Για κάθε μια από αυτές τις μεταβλητές γίνεται στατιστική ανάλυση σύμφωνα με τις προηγούμενες τιμές που αντιστοιχούν στο συγκεκριμένο ασθενή ώστε να εντοπιστούν τυχόν σημαντικές αλλαγές που μπορεί να οδηγήσουν σε κάποιο ιατρικό συμπέρασμα. Βέβαια, πάντα θα υπάρχουν για κάποιες από αυτές συγκεκριμένες τιμές-κατώφλια που ορίζονται από την ιατρική γνώση και συσχετίζονται με κινδύνους στην υγεία του ασθενή (π.χ. ταχυπαλμία ή πολύ υψηλή πίεση). Ο παρακάτω πίνακας παρουσιάζει τις ιατρικές μεταβλητές που προδιαγράφτηκαν στο έργο Εν-ΝΟΗΣΗΣ. Τίτλος Μεταβλητών MV01 MV02 MV03 MV04 MV05 MV06 MV07 MV08 MV09 MV10 MV11 MV12 Περιγραφή Μεταβλητών Αρτηριακή πίεση Παλμός Οξυγόνο στο αίμα Ώρες Ύπνου στο 24ωρο Συνολικές ώρες ύπνου Λανθάνουσα κατάσταση ύπνου Αποτελεσματικότητα ύπνου Χρόνος αφύπνισης από την έναρξη του ύπνου μέχρι το τελικό ξύπνημα Διακυμάνσεις εγκεφαλικό σήματος Ανίχνευση και μέτρηση φάσης προσοχής Ανίχνευση και μέτρηση φάσης διαλογισμού Ανίχνευση και μέτρηση φάσης ριπής οφθαλμού (ανοιγοκλεισίματος ματιού) Πίνακας 7: Βϊοιατρικές Μεταβλητές 4.3 ΠΡΟΕΠΕΞΕΡΓΑΣΙΑ ΚΑΙ ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ Η προεπεξεργασία των δεδομένων όπως περιγράφηκε και στο κεφάλαιο 3 είναι ζωτικής σημασίας προκειμένου να είναι δυνατή η επιτυχής εξαγωγή χαρακτηριστικών από αυτά και η ελαχιστοποίηση του σφάλματος κατά την ταξινόμησή τους. Η εξαγωγή χαρακτηριστικών είναι το πρώτο βήμα στην επεξεργασία των δεδομένων. Ο σκοπός του σταδίου αυτού είναι η εξαγωγή των σημαντικών γνωρισμάτων καθεμίας από τις παρακολουθούμενες μεταβλητές ώστε να χρησιμοποιηθούν στα διαδοχικά στάδια της διαδικασίας εξαγωγής συμπεράσματος. 67

68 Γι αυτό το λόγο αρχικά πραγματοποιείται έρευνα για καθεμία από τις μεταβλητές που επιλέγονται να τροφοδοτήσουν έναν αλγόριθμο με σκοπό τη σχεδίαση ενός κατάλληλου συνόλου από τεχνικές εξαγωγής χαρακτηριστικών. Στη συνέχεια εξετάζονται όλοι οι υπάρχοντες αλγόριθμοι επεξεργασίας σημάτων και ανάλυσης δεδομένων ώστε να διαμορφωθούν σύμφωνα με τις ανάγκες του εκάστοτε προβλήματος. Σε ορισμένες περιπτώσεις, απλοί αλγόριθμοι επεξεργασίας σημάτων αποδεικνύονται επαρκείς. Η χρησιμότητα της προεπεξεργασίας έγκειται στο γεγονός ότι για να παραχθούν ποιοτικά αποτελέσματα από την εξόρυξη δεδομένων πρέπει να υπάρχουν ποιοτικά δεδομένα. Αυτό σημαίνει ότι τα ελλιπή ή με θόρυβο δεδομένα που υπάρχουν στον πραγματικό κόσμο πρέπει να συμπληρωθούν και να διορθωθούν για να παράξουν καλής ποιότητας γνώση. Μετά τη διαδικασία της προεπεξεργασίας οι βάσεις δεδομένων περιέχουν συνεπή, ενοποιημένα και ποιοτικά δεδομένα, ικανά να οδηγήσουν σε ασφαλή συμπεράσματα. Τα βασικά βήματα της προεπεξεργασίας είναι ο καθαρισμός δεδομένων (data cleaning), η ενοποίηση δεδομένων (data egration), ο μετασχηματισμός δεδομένων (data transformation) και διακριτοποίηση τους (data discretization) καθώς και η αναγωγή δεδομένων (data reduction). Εικόνα 6: Βήματα Προ-επεξεργασίας Δεδομένων Αναλυτικά, με τη διαδικασία του καθαρισμού των δεδομένων γίνεται συμπλήρωση των απουσών (missing) τιμών, απαλοιφή θορύβου, απομάκρυνση των outliers, διόρθωση ασυνεπειών και απαλοιφή πλεονασμού. Η ενοποίηση των δεδομένων επιτυγχάνει ενοποίηση πολλαπλών βάσεων δεδομένων, κύβων δεδομένων ή αρχείων και απαλοιφή πλεονασμού. Ο μετασχηματισμός των δεδομένων οδηγεί στην κανονικοποίηση και συνάθροιση τους. Η αναγωγή δεδομένων επιτυγχάνει αναπαραστάσεις δεδομένων σε ελαττωμένη χωρητικότητα αλλά με ίδια ή παρόμοια αποτελέσματα ανάλυσης. 68

69 Όσον αφορά τα δεδομένα και τις μεταβλητές του έργου Εν-ΒΟΗΣΗΣ, στο παράρτημα παρουσιάζονται τα χαρακτηριστικά των 101 μεταβλητών που εντάχθηκαν στη διαδικασία προεπεξεργασίας κατά την πορεία του έργου Εν-ΝΟΗΣΗΣ, τα οποία διακρίνονται ανάλογα με την κατηγορία σεναρίων που ανήκει η καθεμία μεταβλητή. Οι συγκεκριμένοι πίνακες περιλαμβάνουν τη λειτουργία με την οποία συσχετίζονται οι εκάστοτε υπολογιζόμενες μεταβλητές, την περιγραφή κάθε μεταβλητής, τον τύπο τιμών που λαμβάνει η καθεμία καθώς και ένα όριο/ κατώφλι στην τιμή κάθε μεταβλητής που μπορεί να καθορίσει την κατηγοριοποίηση της λειτουργίας και κατ επέκταση του ασθενή. Ο καθορισμός του πεδίου «Κατώφλι» για κάθε μία μεταβλητή των σεναρίων, προέκυψε κατά τη διαδικασία ανάλυσης των δεδομένων. Ο συνδυασμός της εδραιωμένης ιατρικής γνώσης, των βιβλιογραφικών διερευνήσεων και της ιατρικής εμπειρίας από τη διαχείριση ασθενών με ΗΝΔ κατέληξε στην επιλογή ενός ορίου τιμών που δίνει σημαντική πληροφορία για τη λειτουργία ή/ και τις λειτουργίες που ελέγχονται από την εκάστοτε μεταβλητή και κατά συνέπεια για την πορεία του ασθενή. Στο πεδίο «Κατώφλι», λοιπόν, έχει καταγραφεί για όσες μεταβλητές είναι μετρήσιμο, ένα κατώτατο όριο τιμών το οποίο περιγράφει τη μικρότερη τιμή ή το μικρότερο ποσοστό που μπορεί να λάβει μια μεταβλητή ώστε σύμφωνα με την ιατρική άποψη να μην περιγράφεται κάποιο νευρολογικό πρόβλημα. Αντίστοιχα, σε κάποιες μεταβλητές έχει οριστεί ένα ανώτατο όριο το οποίο περιγράφει τη μέγιστη τιμή ή το μέγιστο ποσοστό που μπορεί να λάβει μια μεταβλητή ώστε να μην περιγράφεται κάποιο νευρολογικό πρόβλημα. Εκτός της ανάλυσης των δεδομένων για κάποιο κατώτατο ή ανώτατο κατώφλι των μεταβλητών ζητήθηκε από τους ειδικούς να επιλεχθούν ορισμένες μεταβλητές από τις διαθέσιμες ώστε να βασίζεται ο αλγόριθμος σε ένα περισσότερο περιορισμένο αλλά συνεπές και ποιοτικό σύνολο δεδομένων. Γι αυτό το λόγο, κατόπιν συνεντεύξεων και συζητήσεων με νευρολόγους δόθηκε μεγαλύτερη σημασία σε ορισμένες από τις υπολογιζόμενες μεταβλητές που θεωρούνται ιατρικά σημαντικότερες αναφορικά με τη χρησιμότητα που έχουν για την ιατρική εκτίμηση της κατάστασης των ασθενών όπως και την εξέλιξή της, καθώς ο ασθενής υποβάλλεται κατά τακτά χρονικά διαστήματα στα αντίστοιχα τεστ που έχουν υλοποιηθεί (σενάρια ηλεκτρονικών παιχνιδιών, σενάρια καθημερινής δραστηριότητας, δοκιμασίες screening test). Παρακάτω παρατίθεται ο πίνακας των τελικών 47 μεταβλητών που διαπιστώθηκε ότι χαρακτηρίζονται από μεγαλύτερη βαρύτητα ανεξαρτήτως ομάδας σεναρίων. Αυτές οι μεταβλητές λαμβάνονται υπόψη στον αλγόριθμο ιατρικής απόφασης. ΑΑ ΛΕΙΤΟΥΡΓΙΑ ΜΕΤΑΒΛΗΤΗ ΠΕΡΙΓΡΑΦΗ ΜΕΤΑΒΛΗΤΗΣ ΤΥΠΟΣ ΤΙΜΩΝ ΚΑΤΩΦΛΙ 1 F03-Οπτική Μνήμη F05-Πραξία F06-Εκτελεστική Λειτουργία S04.V03- ensmitemspercentage Ποσοστό σωστά επιλεγμένων αντικειμένων Ποσοστό 0-100% Κατώτατο όριο: 80% F07-Οπτική Γνωσία F11-Σχεδιασμός 69

70 2 3 F01-Φασία F03-Οπτική Μνήμη F05-Πραξία F08-Γνωσία Χώρου F09-Αναγνώριση S06.V04- enbcbookschoicepercent age S06.V05- enbcbooksplacepercenta ge Συνόλου & Αντικειμένων Ποσοστό σωστά επιλεγμένων βιβλίων Ποσοστό σωστά τοποθετημένων βιβλίων Ποσοστό 0-100% Ποσοστό 0-100% Κατώτατο όριο: 80% Κατώτατο όριο: 80% 4 F03-Οπτική Μνήμη F04-Εργαζόμενη Μνήμη F05-Πραξία S07.V04- engdtimepersubtask F06-Εκτελεστική 5 S07.V08- Λειτουργία engdsubtasksdone Χρόνος χρήσης εργαλείου Ποσοστό σωστών χρήσεων εργαλείων ticks (1 second = ticks) Ποσοστό 0-100% Ανώτατο όριο: 5min Κατώτατο όριο: 65% 6 S08.V04- enlntypesonwashchoic efreq Ποσοστό σωστά τοποθετημένων ρούχων στο πλυντήριο Ποσοστό 0-100% Κατώτατο όριο: 80% 7 F16-Ποιότητα Ύπνου S10.V01- ensleepbed Συνολικός χρόνος ύπνου στη διάρκεια του 24ώρου ticks (1 second = ticks) Κατώτατο όριο: 7 ώρες Ανώτατο όριο: 12 ώρες 8 S10.V02- ensleepnotinbedwhilesl eeping Χρονικά διαστήματα διακοπής ύπνου και τις ώρες που συνέβησαν ticks (1 second = ticks) Κατώτατο όριο: 4 ώρες Ανώτατο όριο σε διάρκεια: 1 ώρα ξύπνιος 9 F12-Τοπογραφική Μνήμη S11.V02- enbathwaterthis Αριθμός χρήσεων νιπτήρα ένα 24ωρο Κατώτατο όριο: 3 Ανώτατο όριο: S11.V03- enbathwaterthistime Χρονικό διάστημα χρήσεων νιπτήρα ticks(1 second = ticks) Ανώτατο όριο: 7min 11 F04-Εργαζόμενη Μνήμη F03-Οπτική Μνήμη F05-Πραξία S12.V03- encookkitchcabinfreq F06-Εκτελεστική 12 S12.V05- Λειτουργία encookkitchcabineventti me Συχνότητα ανοίγματος/κλεισίμα τος ντουλαπιών (π.χ. 5 ανοίγματα ανά 2 λεπτά) Χρονική διάρκεια των παραπάνω ενεργειών, έλεγχος αν είναι πάνω από κάποιο κατώφλι(π.χ. 10 λεπτά) 0: x<0 1: x=0 2: x>0 ticks(1 second = ticks) Ανώτατο όριο: 5 ανοίγματα ανά 2min Ανώτατο όριο: 10min (πχ. δημιουργία καφέ) 70

71 13 S12.V06- encookstove Χρονική διάρκεια που μένει ανοικτή η ηλεκτρική κουζίνα 14 S12.V07- encookstoveonwhilenot Cook 15 F05-Πραξία S13.V03- endishwashwaterthisdu ration 16 S13.V04- endishwashwaternotink itch 17 F01-Φασία F02-Γνωσία F05-Πραξία S14.V02- enwatchtvfreq Χρονική διάρκεια που μένει ανοικτή η ηλεκτρική κουζίνα μετά την αποχώρηση του ατόμου από το χώρο της κουζίνας Χρονική διάρκεια που μένει ανοικτή η βρύση Χρονική διάρκεια που μένει ανοικτή η βρύση μετά την αποχώρηση του ατόμου από τον χώρο της κουζίνας Συχνότητα ανοίγματος/κλεισίμα τος τηλεόρασης (π.χ. 3 ανοίγματα ανά 1 λεπτά) ticks(1 second = ticks) ticks(1 second = ticks) ticks(1 second = ticks) ticks(1 second = ticks) /min Ανώτατο όριο: 1 ώρα Ανώτατο όριο: 1 ώρα Ανώτατο όριο: 20min Ανώτατο όριο: 20min Ανώτατο όριο: 3 ανοίγματα/m in 18 F18-Λεκτική Μνήμη F03-Οπτική Μνήμη F04-Εργαζόμενη 19 S18.V03- Μνήμη F19-Επεισοδιακή Μνήμη S18.V02- enkeyboardinputtestavg RespTime enkeyboardinputtesttot altime Μέσος όρου χρόνου απόκρισης Συνολικός χρόνος ολοκλήρωσης υποδοκιμασίας min (00:00) Ανώτατο όριο: 1 sec Ανώτατο όριο: 3 sec F20-Προσοχή F21- Προσανατολισμός F06-Εκτελεστική Λειτουργία 20 F22-Βραχύχρονη & Μακρόχρονη Λεκτική Μνήμη S19.V01- enwordmemtestcorrect Answers Πλήθος σωστών απαντήσεων Κατώτατο όριο: 58% (Συνολικά 12 λέξειςκατώτα το όριο: 7 λέξεις) 21 S19.V02- enwordmemtestwrong Answers Πλήθος λανθασμένων απαντήσεων Ανώτατο όριο: 42% (Συνολικά 12 λέξεις Ανώτατο όριο: 5 λέξεις) 71

72 22 F23-Βραχύχρονη & Μακρόχρονη Οπτική Μνήμη S20.V01- enshapememtestcorrect Answers Πλήθος σωστών απαντήσεων Κατώτατο όριο: 42% (Συνολικά 12 λέξεις Κατώτατο όριο: 5 λέξεις) 23 S20.V02- enshapememtestwrong Answers Πλήθος λανθασμένων απαντήσεων Ανώτατο όριο:58% (Συνολικά 12 λέξεις Ανώτατο όριο: 7 λέξεις) 24 F04-Εργαζόμενη Μνήμη F20-Προσοχή S21.V01- enshapecomptestcorrec tanswers Πλήθος σωστών απαντήσεων Κατώτατο όριο: 100% 25 F06-Εκτελεστική S21.V02- Λειτουργία enshapecomptestwrong Answers Πλήθος λανθασμένων απαντήσεων Ανώτατο όριο: 0% 26 F19-Επεισοδιακή Μνήμη S22.V01- enshapepostestcorrecta nswers Πλήθος σωστών απαντήσεων Κατώτατο όριο: 50% (Συνολικά: 6 σχήματα Κατώτατο όριο: 3 σχήματα) 27 S22.V02- enshapepostestwronga nswers Πλήθος λανθασμένων απαντήσεων Ανώτατο όριο: 50% (Συνολικά: 6 σχήματα Ανώτατο όριο: 3 σχήματα) 28 S22.V06- enshapepostestbestshap ecount Ο μέγιστος αριθμός εικόνων για τον οποίο ολοκληρώθηκε σωστά η δοκιμασία Κατώτατο όριο: 3 εικόνες 29 S22.V07- enshapepostestfastans wers Πλήθος τυχαίων απαντήσεων 30 F06-Εκτελεστική Λειτουργία S23.V01- enstrooptestcorrectans wers Πλήθος σωστών απαντήσεων Κατώτατο όριο: 90% 31 S23.V02- enstrooptestwrongansw ers Πλήθος λανθασμένων απαντήσεων Ανώτατο όριο: 10% 72

73 32 S23.V06- enstrooptestcorrectans Match Πλήθος σωστών απαντήσεων 2ης φάσης (λέξεις ταυτίζονται με το χρώμα) Κατώτατο όριο: 95% 33 S23.V07- enstrooptestcorrectans Diff Πλήθος σωστών απαντήσεων 3ης φάσης (λέξεις δεν ταυτίζονται με το χρώμα) Κατώτατο όριο: 90% 34 S23.V08- enstrooptestwrongans Match Πλήθος λανθασμένων απαντήσεων 2ης φάσης (λέξεις ταυτίζονται με το χρώμα) Ανώτατο όριο: 5% 35 S23.V09- enstrooptestwrongansd iff Πλήθος λανθασμένων απαντήσεων 3ης φάσης (λέξεις δεν ταυτίζονται με το χρώμα) Ανώτατο όριο: 10% 36 F21- Προσανατολισμός S24.V01- enorientationtestcorrect Ans Πλήθος σωστών απαντήσεων Κατώτατο όριο: 100% 37 S24.V02- enorientationtestwrong Ans Πλήθος λανθασμένων απαντήσεων Ανώτατο όριο: 0% 38 F24-Δείκτης Κατάθλιψης F25-Δείκτης Νευροψυχιατρικών Προβλημάτων S25.V01- endispositiontestavgres ptime Ο μέσος όρος του χρόνου απόκρισης (5 bits) Ανώτατο όριο: 2sec 39 F22-Βραχύχρονη & Μακρόχρονη Λεκτική Μνήμη S27.V01- enwordmemrtktestcorr ectans Πλήθος σωστών απαντήσεων Κατώτατο όριο: 42% (Συνολικά 12 λέξεις Κατώτατο όριο: 5 λέξεις) 40 S27.V02- enwordmemrtktestwro ngans Πλήθος λανθασμένων απαντήσεων Ανώτατο όριο: 58% (Συνολικά 12 λέξεις 73

74 Ανώτατο όριο: 7 λέξεις) 41 S27.V05- enwordmemrtktestcorr FirstRtk Διαφορά στις σωστές απαντήσεις μεταξύ άμεσης και καθυστερημένης ανάκλησης Ανώτατο όριο: 2 λέξεις 42 S27.V06- enwordmemrtktestwro ngfirstrtk Διαφορά στις λανθασμένες απαντήσεις μεταξύ άμεσης και καθυστερημένης ανάκλησης Ανώτατο όριο: 2 λέξεις 43 S27.V07- enwordmemrtktestdifff irstrtk Συνολική διαφορά μεταξύ άμεσης και καθυστερημένης ανάκλησης 44 F23-Βραχύχρονη & Μακρόχρονη Οπτική Μνήμη S28.V01- enshapememrtktestcor rectans 45 S28.V02- enshapememrtktestwr ongans S28.V05- enshapememrtktestcor rfirstrtk S28.V06- enshapememrtktestwr ongfirstrtk Πλήθος σωστών απαντήσεων Πλήθος λανθασμένων απαντήσεων Διαφορά στις σωστές απαντήσεις μεταξύ άμεσης και καθυστερημένης ανάκλησης Διαφορά στις λανθασμένες απαντήσεις μεταξύ άμεσης και καθυστερημένης ανάκλησης Πίνακας 8: Μεταβλητές που συμμετέχουν στον αλγόριθμο ιατρικής απόφασης Κατώτατο όριο: 3 σχήματα Ανώτατο όριο: 9 σχήματα Ανώτατο όριο: 2 σχήματα Ανώτατο όριο: 2 σχήματα Η λειτουργία, επομένως, του συστήματος του έργου Εν-ΝΟΗΣΗΣ περιλαμβάνει και την επεξεργασία των ιατρικών μεταβλητών, των μεταβλητών της καρτέλας του ασθενή και των αποτελεσμάτων των ιατρικών τεστ για κάθε χρήστη/ ασθενή χρησιμοποιώντας μαθηματικά της στατιστικής θεωρίας και μεθόδους εξόρυξης δεδομένων, όπως αυτές που αναφέρθηκαν παραπάνω, όπως για πχ. η συσταδοποίηση που βρίσκει και απομακρύνει τα outliers. Για κάθε ιατρική μεταβλητή υπολογίζεται, για παράδειγμα, η διαφορά από τη μέση τιμή της, συγκρίνεται με τη τυπική απόκλιση αυτής, ή/ και εξάγεται το μέγιστο ή το ελάχιστο ώστε να υπολογιστεί σωστά η παράμετρος που λαμβάνει μέρος στον αλγόριθμο απόφασης. Σημαντικό επίσης είναι το πλήθος των μετρήσεων που λαμβάνονται να είναι μεγάλο κατά τη διάρκεια του χρόνου, ώστε να εξαχθεί σωστά κάποια παράμετρος. Επίσης αναγνωρίστηκαν οι νοητικές λειτουργίες που εμπλέκονται στην ιατρική εκτίμηση της κατάστασης του ασθενή και συσχετίστηκαν με τις μετρήσιμες μεταβλητές που συνδέονται τόσο με την καθημερινή δραστηριότητα του ασθενή όσο και με την επίδοσή του σε διάφορα τεστ. Δεδομένης της αβεβαιότητας που υπάρχει στις εκτιμήσεις αυτές, καθορίστηκαν τιμές 74

75 κατωφλίου, η υπέρβαση των οποίων κρίνεται συμβατή με τη μετάβαση σε φάση επιδείνωσης ή βελτίωσης. Έχοντας υπόψη τη σημαντικότητα της αυτοσύζευξης στην αντιμετώπιση του προβλήματος της χρονικά εξελισσόμενης εκτίμησης της διανοητικής κατάστασης των ασθενών, υλοποιήθηκαν μεθοδολογίες οι οποίες στηρίζονται στη σχετική (κατ άτομο) μεταβολή τόσο επί μέρους μεταβλητών όσο και των λειτουργιών με τις οποίες συσχετίζονται. Με αυτό τον τρόπο έγινε εφικτή η ανάπτυξη μετρικών που μπορούν να ανιχνεύσουν την αποτελεσματικότητα των παρεμβάσεων στην άρση της επιδείνωσης της κατάστασης των ασθενών, που αποτελεί τη φυσιολογική εξέλιξη της πορείας της νόσου τους. Τέλος, όλες οι μετρήσεις των δεδομένων του Εν-ΝΟΗΣΗΣ αρχικά γίνονται σε μια ομάδα ελέγχου (controls - μάρτυρες), έτσι ώστε η επεξεργασία τους να καθορίσει και το «gold standard», τις φυσιολογικές τιμές που θα αποτελέσουν το κατώφλι για τη σταδιοποίηση των ασθενών και τον καθορισμό της τρέχουσας κατάστασης τους. 4.4 ΑΛΓΟΡΙΘΜΟΣ ΙΑΤΡΙΚΟΥ ΣΥΜΠΕΡΑΣΜΑΤΟΣ Βασικός στόχος του αλγορίθμου ιατρικού συμπεράσματος του έργου Εν-ΝΟΗΣΗΣ είναι ο συνδυασμός όλων των μετρήσεων και της ιατρικής γνώσης για τον ασθενή ώστε να γίνει προσεγγιστική εκτίμηση για την εξέλιξη των βασικών νοητικών λειτουργιών (F01 F15) που συσχετίζονται με τις νοητικές διαταραχές. Οι βασικές αρχές του αλγορίθμου απόφασης είναι: Έλεγχος για α) διάγνωση, β) πρόγνωση, γ) ενδυνάμωση ανά λειτουργία, ώστε να διαφανεί αν έχουμε μεταβολές στο χρόνο. Εντοπισμός πορείας ασθενών και εξέλιξη της ενδυνάμωσης. Πορεία χρόνου, μεταβολή κατάστασης ασθενή χωρίς ερμηνεία, παρά μόνο εξαγωγή συμπερασμάτων για τη συγκεκριμένη μεταβλητή. Σταδιοποίηση ασθενή, καθώς κάθε ασθενής τοποθετείται ανάλογα με την ομάδα/ στάδιο στο οποίο ανήκει πχ. εμφανίζει πτώση στο χρόνο ή έχει ανοδική πορεία (ερμηνεία). Ύπαρξη μηχανισμού σύγκρισης των τιμών των τελευταίων σεναρίων με το ιστορικό του ασθενή για την αποφυγή λανθασμένων εκτιμήσεων που μπορεί να οφείλονται στην εξοικείωση του ασθενή στο σύστημα. Η ομαδοποίηση/ ιατρική διάγνωση να βασίζεται εκτός των υπολοίπων στη δεδομένη, a-priori ιατρική γνώση. Ο αλγόριθμος απόφασης τροφοδοτείται με παραμέτρους από 3 ομάδες μεταβλητών που αφορούν τα σενάρια ηλεκτρονικών παιχνιδιών, τα σενάρια καθημερινής δραστηριότητας και τις δοκιμασίες του screening test. Κατά την πορεία του έργου Εν-ΝΟΗΣΗΣ υλοποιήθηκαν συνολικά 101 μεταβλητές που φαίνονται στο σχετικό παράρτημα και σχετίζονται με τις ομάδες μεταβλητών που μελετήθηκαν. Για την υλοποίηση, όμως, του ιατρικού συμπεράσματος επιλέχθηκαν 47 μεταβλητές που κατόπιν πρότασης των νευρολόγων διαθέτουν και τη μεγαλύτερη βαρύτητα ανεξαρτήτως ομάδας σεναρίων. Οι μεθοδολογίες που αναφέρθηκαν στο κεφάλαιο 3 αξιοποιούν την εκπαίδευση των συστημάτων με δεδομένα τα οποία στη φάση εκπόνησης της εργασίας δεν ήταν διαθέσιμα 75

76 από το έργο Εν-ΝΟΗΣΗΣ. Γι αυτό το λόγο δεν κατέστη εφικτό να υλοποιηθεί κάποιος από τους προαναφερόμενους αλγορίθμους της βιβλιογραφίας. Αντί αυτών επιλέχτηκαν αλγόριθμοι με στατιστικές μεθόδους, οι οποίοι κρίθηκαν κατάλληλοι για τη συνέχιση της έρευνας. Κατόπιν ανάλυσης και μελέτης ο αλγόριθμος του ιατρικού συμπεράσματος επιλέχθηκε να έχει διπλή σκοπιμότητα. Αφενός επιδιώχθηκε να ανιχνευτούν οι αλλαγές σε σύγκριση με προγενέστερες καταστάσεις του ίδιου του εξεταζόμενου λόγω εξέλιξης της νόσου ή λόγω των ενδυναμωτικών παρεμβάσεων στα πλαίσια του έργου. Αφετέρου έγινε προσπάθεια να αποδοθεί ένα ποσοτικό μέτρο της κατάστασης του εξεταζόμενου για κάθε μία από τις λειτουργίες του που θα συμπεριλαμβάνει την επίδοση του σε διαφορετικού τύπου δραστηριότητες (διαφορετικά σενάρια του έργου). Συγκεκριμένα: Στόχος 1: να ανιχνεύσει μια αξιοσημείωτη διαφοροποίηση στις τιμές που λαμβάνουν οι μεταβλητές που καταγράφονται από έναν συγκεκριμένο ασθενή, σε σχέση με το ιστορικό των τιμών του ίδιου ασθενή. Στόχος 2: να αποτιμήσει την κατάσταση του ασθενή ως προς τις διάφορες παραμέτρους ενδιαφέροντος (ενδυνάμωση, πρόγνωση κλπ.) με βάση την κατάσταση διαφορετικών λειτουργιών του ασθενή Διαφοροποίηση μεταβλητών στο χρόνο Για την επίτευξη του Στόχου 1 χρησιμοποιήθηκε ο Δείκτης Απόκλισης (Deviation Index DI). Το DI αποτελεί τη γνωστή από τη Στατιστική Θεωρία ποσότητα z-statistic, δηλαδή την ποσότητα που μετρά την απόκλιση της μετρούμενης τιμής κάποιας μεταβλητής (x) από τη μέση τιμή της ίδιας μεταβλητής (μ) σε μονάδες τυπικών αποκλίσεων (σ) της κατανομής της. DI = x μ σ Για την ανίχνευση αξιοσημείωτων διαφοροποιήσεων, ο αλγόριθμος θα πρέπει να ελέγχει κάθε χρονική στιγμή πόσο μεγάλη είναι η διαφορά της μετρούμενης μεταβλητής από μία κατάλληλα επιλεγμένη μέση τιμή της. Η επιλογή της μέσης τιμής σχετίζεται με το συγκεκριμένο στόχο που έχει τεθεί και επεξηγείται παρακάτω μέσω σεναρίων χρήσης. Η τιμή του Δείκτη Απόκλισης συνδέεται με την πιθανότητα εμφάνισης μιας τιμής της μεταβλητής. Όσο μεγαλύτερος είναι (κατ απόλυτη τιμή) ο DI, τόσο πιο απίθανο είναι να παρατηρηθεί μια τέτοια τιμή και άρα τόσο πιο αξιοσημείωτη η διαφοροποίηση από το φυσιολογικό. Συγκεκριμένα, Για DI 3, η παρατηρηθείσα τιμή εμφανίζεται με πιθανότητα μικρότερη του 0.3% Για 3 DI 1.5, η παρατηρηθείσα τιμή εμφανίζεται με πιθανότητα περίπου 13% Για DI 1.5, η παρατηρηθείσα τιμή εμφανίζεται με πιθανότητα περίπου 87% Το πλήθος των χαρακτηριστικών τιμών καθώς και η επιλογή τους (π.χ. 1.5 & 3) μπορεί να υιοθετηθεί μετά από αναφορά στην ιατρική βιβλιογραφία και να διαφοροποιείται ανάλογα με τη μεταβλητή. Με αντίστροφη λογική, μπορούν να οριστούν επίπεδα πιθανότητας από τα οποία να προκύψουν οι χαρακτηριστικές τιμές του DI. Ανάλογα με την υπό μελέτη παράμετρο της υγείας του ασθενή (π.χ. μνήμη, φασία, στρες, κινητικότητα κλπ.), θα καθοριστούν κλινικά/ιατρικά κρίσιμα χρονικά παράθυρα καταγραφής 76

77 δεδομένων. Τα χρονικά αυτά παράθυρα περιέχουν αυτοτελώς την απαραίτητη πληροφορία αναφορικά με το χαρακτηρισμό της κατάστασης του ασθενή στη συγκεκριμένη φάση και μπορεί να έχουν διαφορετικές διάρκειες ανάλογα με την υπό μελέτη μεταβλητή. Επίσης, για λόγους ιστορικότητας, θα καθοριστούν περισσότερα από ένα χρονικά παράθυρα που θα ορίζουν διαδοχικές χρονικά φάσεις εκτεινόμενες στο άμεσο παρελθόν (τάξη χρονικού παραθύρου). Έστω tw ij (time window) το χρονικό παράθυρο που ορίζεται από το τρέχον χρονικό σημείο μέχρι και Δt ij χρονικά σημεία στο παρελθόν, δηλαδή εντός του χρονικού διαστήματος (t-δt ij, t), όπου ο δείκτης i αναφέρεται στην υπό μελέτη μεταβλητή και ο δείκτης j αναφέρεται στην τάξη του χρονικού παραθύρου. Για παράδειγμα, tw i1 μπορεί να είναι το πλέον πρόσφατο χρονικό παράθυρο που αφορά τη μεταβλητή i, tw i2 το αμέσως χρονικά προηγούμενο χρονικό παράθυρο της ίδιας μεταβλητής κλπ. Στην βάση δεδομένων κατά τη χρονική στιγμή t-δt i1 διατηρούνται οι μέσες τιμές (M i) των μετρήσεων μετά από διαίρεση του αθροίσματος των τιμών της κάθε μεταβλητής διά του πλήθους τους (N i). Μετά από παρέλευση χρονικού διαστήματος Δt i1, έχουν καταγραφεί L i1 νέες τιμές (x ik). Η έννοια του χρονικού παραθύρου συνδέεται με την περιοδικότητα με την οποία θα ελέγχεται η κατάσταση του ασθενή και μπορεί να αντιστοιχηθεί πλήρως με τον αριθμό λήψης μετρήσεων (π.χ. αριθμό εκτέλεσης ηλεκτρονικών παιχνιδιών, αριθμό καθημερινών δραστηριοτήτων κλπ.) μετά από τον οποίο είναι επιθυμητή η εκτίμηση της κατάστασής του. Στη βάση δεδομένων: α) υπολογίζεται η μέση τιμή και η τυπική απόκλιση των μετρήσεων της μεταβλητής i εντός του συγκεκριμένου χρονικού παραθύρου Μέση τιμή:μ i1 = L i1 k=1 x ik L i1 L Άθροισμα τετραγώνων τιμών: S i1 = i1 2 k=1 x ik Τυπική απόκλιση (standard deviation):sd i1 = S i1 L i1 M i1 2 β) ενημερώνεται η μέση τιμή και η τυπική απόκλιση του συνόλου των μετρήσεων της μεταβλητής I για τη χρονική στιγμή t: (συνολική, νέα) Μέση τιμή:m i,new = N i M i +L i1 M i1 N i +L i1 (συνολικό, νέο) Άθροισμα τετραγώνων τιμών:s new = S + S i1 (συνολικό, νέο) Πλήθος τιμών:ν i,new = N i + L i1 (συνολική, νέα) Τυπική απόκλιση:sd i,new = S i,new 2 M N i,new i,new Η επιλογή της μέσης τιμής γι αυτό το στόχο, όπως αναφέρθηκε, αναλύεται σε τρία σενάρια χρήσης δίνοντας διαφορετικό δείκτη απόκλισης κάθε φορά. 77

78 Σενάριο χρήσης 1: Ανίχνευση στιγμιαίων διαφοροποιήσεων Κατά τη διάρκεια καταγραφής δεδομένων, μια μέτρηση που διαφοροποιείται σημαντικά από τη μέση τιμή των μετρήσεων της υπό μελέτη μεταβλητής αποτελεί αντικείμενο ανίχνευσης και ένδειξη (evidence) για μετάβαση σε κατάσταση pre-alarm. Στην περίπτωση αυτή η διαφοροποίηση εκτιμάται μέσω του υπολογισμού του στιγμιαίου Δείκτη Απόκλισης ως εξής: Υπολογισμός Στιγμιαίου Δείκτη Απόκλισης: DI = x ik M i,new SD i,new Μια υψηλή τιμή του στιγμιαίου DI αντιστοιχεί σε σημαντικά διαφοροποιημένη μέτρηση εν σχέση με το σύνολο των μέχρι τότε μετρήσεων και άρα αξιολογείται ως συνιστώσα μιας κατάστασης pre-alarm για τον ασθενή. Σενάριο χρήσης 2: Ανίχνευση διαφοροποιήσεων μεγαλύτερης χρονικής κλίμακας Η παροδική διαφοροποίηση μιας μέτρησης από τη συνολική μέση τιμή, αν και σημαντική, είναι πιθανό να οφείλεται σε παράγοντες «θορύβου». Μια υψηλή τιμή DI όμως που χαρακτηρίζει ολόκληρο το χρονικό παράθυρο, προσφέρει μια πιο αξιόπιστη ένδειξη για μετάβαση σε κατάσταση pre-alarm. Ο σχετικός DI μπορεί να υπολογιστεί ως εξής: Υπολογισμός Δείκτη Απόκλισης Χρονικού Παραθύρου: DI twi1 = M i1 M i,new SD i,new L i1 Μια υψηλή τιμή DI ολόκληρου του χρονικού παραθύρου αντιστοιχεί σε σημαντικά διαφοροποιημένη φάση μέτρησης εν σχέση με το σύνολο των μέχρι τότε μετρήσεων και άρα αξιολογείται ως συνιστώσα στην εκτίμηση μιας πιθανής μεταβολής της συνολικής κατάστασης του ασθενή. Σενάριο χρήσης 3: Ανίχνευση μετάβασης φάσης Η έννοια του χρονικού παραθύρου αποτελεί μια από τις δυνατότητες εισαγωγής της ιατρικής γνώσης στο σχεδιασμό του αλγορίθμου λήψης αποφάσεων. Σύμφωνα με τα όσα εκτέθηκαν παραπάνω για την έννοια του χρονικού παραθύρου, η επιλογή της διάρκειάς του, διαφορετικής ίσως για κάθε μεταβλητή, θα καθορίζει τη χρονική διακριτική ικανότητα ως προς την κατάσταση στην οποία βρίσκεται ο ασθενής. Η ανίχνευση σημαντικών διαφοροποιήσεων μεταξύ χρονικών παραθύρων διαφορετικής τάξης (της ίδιας μεταβλητής) μπορεί να στηρίξει την εκτίμηση ότι ο ασθενής μεταβαίνει από μια κλινική κατάσταση σε άλλη. Υπολογισμός Δείκτη Απόκλισης Ανίχνευσης Φάσης: DI Δtw = (M i1 M i2 ) (M i,new1 M i,new2 ) SD 2 i,new1 L i1 + SD i,new2 2 L i2 78

79 όπου ο δείκτης 1 αφορά το χρονικό παράθυρο πρώτης τάξης (πλέον πρόσφατο) και ο δείκτης 2 το χρονικό παράθυρο δεύτερης τάξης (αμέσως προηγούμενο από το πρώτο) Αποτίμηση κατάστασης ασθενή Για την επίτευξη του Στόχου 2 χρησιμοποιείται η μεθοδολογία που περιγράφεται στη συνέχεια. Με βάση τις τιμές κατωφλίου, δημιουργήθηκαν νέες επανακωδικοποιημένες διχοτομικές μεταβλητές που λαμβάνουν την τιμή 1 ή 0, ανάλογα με το εάν ξεπεράστηκε η τιμή κατωφλίου ή όχι. Η υπέρβαση της τιμής κατωφλίου είναι συμβατή με αυξημένη πιθανότητα ο ασθενής να βρίσκεται σε δυσμενέστερη ιατρικά κατάσταση. Στη συνέχεια η κατάσταση του ασθενή ως προς κάθε μία λειτουργία προκύπτει ως ένα σταθμισμένο σκορ που υπολογίζεται με έναν ιεραρχικό τρόπο. Αρχικά, οι διχοτομικές μεταβλητές που ανήκουν σε κάποια από τις κατηγορίες δραστηριότητας και είναι συσχετισμένες με μια συγκεκριμένη λειτουργία, συνεισφέρουν στο σκορ της αντίστοιχης κατηγορίας δραστηριότητας. Κατόπιν, τα σκορ από τις τρεις κατηγορίες δραστηριότητας συνεισφέρουν στο σκορ της αντίστοιχης λειτουργίας. Αναλυτικότερα οι (διχοτομικές) μεταβλητές που είναι συσχετισμένες με μια λειτουργία διακρίνονται σε: μεταβλητές που ανήκουν στα «Σενάρια ηλεκτρονικών παιχνιδιών» μεταβλητές που ανήκουν στα «Σενάρια καθημερινής δραστηριότητας» μεταβλητές που ανήκουν στις «Δοκιμασίες Screening Test» Οι τιμές των διχοτομικών μεταβλητών μιας κατηγορίας (π.χ. «Ηλεκτρονικά Παιχνίδια») αθροίζονται και κατόπιν το άθροισμα αυτό διαιρείται με τον αριθμό των μεταβλητών. Σημειώνεται ότι οι μεταβλητές που λαμβάνονται υπόψη σε αυτή τη διαδικασία είναι μόνο εκείνες για τις οποίες υπάρχει παρατήρηση, εξαιρούνται δηλαδή όσες έχουν τη δεδομένη στιγμή κενή τιμή (missing value). Η τιμή που προκύπτει αποτελεί το σκορ του ασθενή για τη συγκεκριμένη κατηγορία και τη συγκεκριμένη χρονική στιγμή. Μεταβλητή 2 Μεταβλητή 2 Μεταβλητή 2 Μεταβλητή 1 Μεταβλητή 1 Μεταβλητή Ηλεκτρονικά Παιχνίδια Καθημερινή Δραστηριότητα Screening Test Εικόνα 7: Μεταβλητές ανά κατηγορία 79

80 Η κατάσταση του ασθενή ως προς κάποια λειτουργία για τη συγκεκριμένη χρονική στιγμή προκύπτει ως η σταθμισμένη μέση τιμή των σκορ των διαφορετικών κατηγοριών. Λειτουργία Ηλεκτρονικά Παιχνίδια Καθημερινή Δραστηριότητα Screening Test Διχ. μεταβλητή 1 Διχ. μεταβλητή 2... Διχ. μεταβλητή 1 Διχ. μεταβλητή 2... Διχ. μεταβλητή 1 Διχ. μεταβλητή 2... Εικόνα 8: Διχοτομικές Μεταβλητές ανά Λειτουργία Η σταθμισμένη μέση τιμή των σκορ ανά κατηγορία προκύπτει αν το τελικό αποτέλεσμα της μέσης τιμής των διχοτομικών μεταβλητών ανά κατηγορία πολλαπλασιαστεί με κάποιον συντελεστή στάθμισης. Στη συνέχεια αυτές οι σταθμισμένες μέσες τιμές αθροίζονται και δίνουν το τελικό αποτέλεσμα που δίνει το σκορ του ασθενή ανά λειτουργία. Οι συντελεστές στάθμισης που επιλέχθηκαν με βάση την ιατρική αντίληψη δίνονται παρακάτω για κάθε μία κατηγορία των μεταβλητών που έχουν υλοποιηθεί. Οι τιμές αυτές μπορούν εύκολα να τροποποιηθούν μέσω ειδικής παραμετροποίησης. Ηλεκτρονικά Παιχνίδια: 0,25 Καθημερινή Δραστηριότητα: 0,25 Screening Test: 0,50 Στη συνέχεια παρατίθενται με μορφή γραφημάτων οι συσχετίσεις λειτουργιών με τις μεταβλητές που ελέγχουν τη κάθε μία. 80

81 Εικόνα 9: Συσχέτιση Λειτουργιών Μεταβλητών: Φασία - Πραξία Εικόνα 10: Συσχέτιση Λειτουργιών Μεταβλητών: Εκτελεστική Λειτουργία 81

82 Εικόνα 11: Συσχέτιση Λειτουργιών Μεταβλητών: Λειτουργική Μνήμη Λεκτική Μνήμη Τοπογραφική Μνήμη Επεισοδιακή Μνήμη Εικόνα 12: Συσχέτιση Λειτουργιών Μεταβλητών: Βραχύχρονη Μνήμη Βραχύχρονη & Μακρόχρονη Λεκτική Μνήμη Βραχύχρονη & Μακρόχρονη Οπτική Μνήμη 82

83 Εικόνα 13: Συσχέτιση Λειτουργιών Μεταβλητών: Κινητικότητα Ισορροπία Σχεδιασμός - Προγραμματισμός Εικόνα 14: Συσχέτιση Λειτουργιών Μεταβλητών: Οπτική Γνωσία Γνωσία Χώρου Γνωσία 83

84 Εικόνα 15: Συσχέτιση Λειτουργιών Μεταβλητών: Προσανατολισμός Προσοχή Εικόνα 16: Συσχέτιση Λειτουργιών Μεταβλητών: Εργαζόμενη Μνήμη Οπτική Μνήμη 84

85 Εικόνα 17: Συσχέτιση Λειτουργιών Μεταβλητών: Δείκτης Νευροψυχιατρικών Προβλημάτων Δείκτης Κατάθλιψης Ποιότητα Ύπνου Δείκτης Λειτουργικών Προβλημάτων 85

86 86

87 5 ΥΛΟΠΟΙΗΣΗ ΣΥΣΤΗΜΑΤΟΣ Your entire universe is in your mind and nowhere else. To expand the universe, expand your mind. D. Chopra Όπως έχει ήδη αναφερθεί στα πλαίσια του έργου Εν-ΝΟΗΣΗΣ κρίθηκε αναγκαία η υλοποίηση αλγορίθμων προ-επεξεργασίας και ανάλυσης των συγκεντρωμένων ανά ασθενή δεδομένων με σκοπό τον προσδιορισμό ιατρικής εκτίμησης όσον αφορά νοητικές διαταραχές (Προληπτικό Ιατρικό Συμπέρασμα). Η υλοποίηση ενός συστήματος ιατρικής συμπερασματολογίας στοχεύει στο να επιτρέπει σε θεράποντες ιατρούς να παρακολουθούν τις παρεχόμενες θεραπείες (ασκήσεις, κτλ.) και να μπορούν με την βοήθεια του ιστορικού προφίλ χρηστών αλλά και εξαγόμενων στατιστικών στοιχείων να υποστηρίζουν τις θεραπευτικές τους αποφάσεις/ παρεμβάσεις. Η συγκεκριμένη διπλωματική εργασία στόχευσε στην υλοποίηση ενός τέτοιου αλγορίθμου κατά τον οποίο εξάγονται χαρακτηριστικά για την αναγνώριση της κατάστασης της υγείας του ασθενή. Το πρωτότυπο υλοποιήθηκε ως υποσύστημα της κλινικής πλατφόρμας και εκτελεί την επεξεργασία των συλλεγμένων από το τοπικό σύστημα δεδομένων. 5.1 ΑΡΧΙΤΕΚΤΟΝΙΚΗ ΠΡΩΤΟΤΥΠΟΥ ΙΑΤΡΙΚΗΣ ΣΥΜΠΕΡΑΣΜΑΤΟΛΟΓΙΑΣ Το πρωτότυπο Ιατρικής Συμπερασματολογίας βασισμένο στο έργο Εν-ΝΟΗΣΗΣ υλοποιήθηκε ως ανεξάρτητο υποσύστημα της ευρύτερης κλινικής πλατφόρμας που υλοποιήθηκε για το έργο. Στόχος είναι έπειτα από σχετικό αίτημα της κεντρικής πλατφόρμας να ανακτά τα δεδομένα από τη κεντρική βάση δεδομένων (ΒΔ) της πλατφόρμας, να τα επεξεργάζεται σύμφωνα με τους αλγορίθμους που έχουν επιλεγεί στο κεφάλαιο 4 και να αποστέλλει πίσω στο αιτών σύστημα τα αποτελέσματα που προκύπτουν. Τέλος, το πρωτότυπο σύστημα έχει τη δυνατότητα αποθήκευσης των αποτελεσμάτων αυτών στη ΒΔ της κλινικής πλατφόρμας για μεταχρονολογημένη ανάκτηση. 87

88 Εικόνα 18: Αρχιτεκτονική συνολικού συστήματος του έργου Εν-ΝΟΗΣΗΣ Η βασική αρχιτεκτονική του συστήματος που υλοποιήθηκε και πως αυτό αλληλοεπιδρά με τα τρίτα συστήματα που έχουν αναπτυχθεί για το Εν-ΝΟΗΣΗΣ παρουσιάζεται στο παρακάτω σχήμα (Εικόνα 18). Εικόνα 19: Αρχιτεκτονική Υποσυστήματος Ιατρικής Συμπερασματολογίας Αρχικά για την επικοινωνία του υποσυστήματος συμπερασματολογίας με τρίτα συστήματα όπως η κλινική πλατφόρμα χρησιμοποιήθηκε το πρωτόκολλο SOAP (Simple Object Access Protocol). Στη συνέχεια απαραίτητη ήταν και η επικοινωνία του συστήματος με τη κεντρική ΒΔ της πλατφόρμας για την ανάκτηση των τιμών των μεταβλητών για επεξεργασία και την 88

89 αποθήκευση των αποτελεσμάτων. Τέλος, υλοποιήθηκαν δύο στόχοι για να προκύψει η ιατρική απόφαση όπως αυτοί αναφέρονται αναλυτικά στο κεφάλαιο 4. Συγκεκριμένα η ανάλυση της αρχιτεκτονικής του υποσυστήματος όπως αυτή περιγράφεται έχει ως εξής: Η Διεπαφή SOAP αναλαμβάνει την αλληλεπίδραση του συστήματος με τρίτα συστήματα όπως την κεντρική κλινική πλατφόρμα. Η διεπαφή αναλαμβάνει να δέχεται αιτήματα για ανάλυση των δεδομένων και να επιστρέφει το αποτέλεσμα. Η διεπαφή είναι στην ουσία μια Υπηρεσία Ιστού για να παρέχει τις λειτουργίες της σε τρίτα συστήματα. Η διεπαφή βασίζεται στο πρότυπο SOAP που είναι ένα ελαφρύ πλαίσιο για ανταλλαγή μηνυμάτων για την ανταλλαγή δεδομένων δομημένων σύμφωνα με τη γλώσσα XML και χρησιμοποιείται για την υλοποίηση υπηρεσιών ιστού. Η λειτουργικότητα της εφαρμογή παρουσιάζεται παρακάτω. Η Διεπαφή ΒΔ αναλαμβάνει την πρόσβαση στην κεντρική ΒΔ μέσω ειδικού connector και της γλώσσας MySQL. Η διεπαφή χρησιμοποιείται για να αντλήσει τα κατάλληλα δεδομένα προς επεξεργασία και μετά το πέρας των αναλύσεων να αποθηκεύσει τα αποτελέσματα πίσω στη ΒΔ. Η δομή της ΒΔ στην οποία αποθηκεύονται τα δεδομένα παρουσιάζεται παρακάτω. Το Υποσύστημα εντοπισμών διαφοροποίησης μεταβλητών στο χρόνο υλοποιεί την ανάλυση των δεδομένων σύμφωνα με τον αλγόριθμο που περιγράφεται στην ενότητα του Κεφαλαίου 4. Αναλυτικά η πλήρης λειτουργία και υλοποίηση του εν λόγω υποσυστήματος αναλύεται παρακάτω. Το Υποσύστημα αποτίμησης κατάστασης ασθενούς υλοποιεί την ανάλυση των δεδομένων σύμφωνα με τον αλγόριθμο που περιγράφεται στην ενότητα του Κεφαλαίου4. Αναλυτικά η πλήρης και υλοποίηση του εν λόγω υποσυστήματος αναλύεται παρακάτω. 5.2 ΔΙΕΠΑΦΗ ΜΕ ΤΡΙΤΑ ΣΥΣΤΗΜΑΤΑ Για να μπορέσει το σύστημα Ιατρικής Συμπερασματολογίας, που υλοποιήθηκε στη παρούσα διπλωματική στα πλαίσια του Εν-ΝΟΗΣΗΣ, να αλληλεπιδράσει με τα υπόλοιπα δομικά συστήματα της κλινικής πλατφόρμας του έργου με ευκολία και ασφάλεια υλοποιήθηκε η διεπαφή με αυτά βασιζόμενη στις τεχνικές υλοποίησης Υπηρεσιών Ιστού. Οι Υπηρεσίες Ιστού επιτρέπουν στις εφαρμογές να ενοποιηθούν γρήγορα, εύκολα και λιγότερο δαπανηρά από πριν. Η ενοποίηση εμφανίζεται σε υψηλό επίπεδο στη στοίβα πρωτοκόλλων και βασίζεται σε μηνύματα που εστιάζουν περισσότερο στη σημασιολογία υπηρεσιών και λιγότερο στη σημασιολογία πρωτοκόλλων δικτύου, επιτρέποντας κατά συνέπεια χαλαρή ενοποίηση επιχειρησιακών λειτουργιών. Παρέχουν ένα πρότυπο ένωσης έτσι ώστε η ενοποίηση να γίνει χρησιμοποιώντας μια κοινή υποδομή. Η ενοποίηση και η εφαρμογή μπορούν να γίνουν κατά τρόπο επαναλαμβανόμενο, χρησιμοποιώντας υπάρχουσες γλώσσες και πλατφόρμες. Μια υπηρεσία Ιστού περιγράφεται μέσω της XML η οποία καλύπτει όλες τις απαραίτητες λεπτομέρειες για την αλληλεπίδραση με την υπηρεσία, συμπεριλαμβανομένων των σχημάτων μηνυμάτων και των πρωτοκόλλων μεταφορών. Το erface κρύβει τις λεπτομέρειες υλοποίησης της υπηρεσίας, επιτρέποντάς της να χρησιμοποιηθεί ανεξάρτητα 89

90 από την πλατφόρμα υλικού ή λογισμικού στην οποία δημιουργείται και επίσης ανεξάρτητα από τη γλώσσα προγραμματισμού στην οποία γράφεται. Για την υλοποίηση χρησιμοποιήθηκαν τα παρακάτω πρότυπα του παγκόσμιου οργανισμού World Wide Web Consortium (W3C, 2015): WSDL (Web Services Description Language) (Chinnici, Gudgin, Moreau, Schlimmer, & Weerawarana, 2003): Η WSDL είναι μια γλώσσα βασισμένη σε XML για την περιγραφή λειτουργικών δυνατοτήτων των Web services. Οι περιγραφές WSDL αποτελούνται από ορισμούς διεπαφής (erface) και ανάπτυξης (implementation). Η διεπαφή είναι ένας ορισμός υπηρεσίας κατά τρόπο αφαιρετικό και αναχρησιμοποιήσιμο που μπορεί να γίνει αντικείμενο αναφοράς από πολλαπλές υλοποιήσεις. Η υλοποίηση περιγράφει πως η διεπαφή υλοποιείται από ένα συγκεκριμένο παροχέα υπηρεσίας. SOAP (Simple Object Access Protocol) (Gudgin, Hadley, Mendelsohn, Moreau, & Nielsen, 2003): Το SOAP είναι ένα ελαφρύ πλαίσιο ανταλλαγής μηνυμάτων για την ανταλλαγή δεδομένων δομημένων σύμφωνα με τη γλώσσα XML μεταξύ Web services. Το SOAP μπορεί να χρησιμοποιηθεί με μία ποικιλία πρωτοκόλλων στο επίπεδο transport όπως HTTP, SMTP, και FTP. Ένα μήνυμα SOAP έχει μία πολύ απλή δομή: ένα στοιχείο XML (που ονομάζεται φάκελος - envelope) με δύο υιικά στοιχεία (child elements). Το πρώτο στοιχείο, η κεφαλίδα - header περιλαμβάνει στοιχεία όπως η ασφάλεια και οι συναλλαγές. Το δεύτερο στοιχείο, το σώμα body περιλαμβάνει τα πραγματικά ανταλλασσόμενα δεδομένα. Η υπηρεσία ιστού που υλοποιήθηκε ονομάστηκε ennoisismeddmservice και αποτελείται από πέντε μεθόδους όπως φαίνεται το παρακάτω διάγραμμα κλάσεων (Εικόνα 20). Εικόνα 20: Διάγραμμα Κλάσεων Διεπαφής ennoisismeddmservice 90

91 Η μέθοδος calcinstancedifference(string UserID) εκτελεί τον αλγόριθμο ανίχνευσης στιγμιαίων διαφοροποιήσεων για όλες τις μεταβλητές που συμμετέχουν στους υπολογισμούς του αλγορίθμου εντοπισμών διαφοροποίησης μεταβλητών στο χρόνο και έχουν νέες τιμές σε σχέση με τον προηγούμενο υπολογισμό. Επιστρέφει λίστα με τα ονόματα των μεταβλητών που μετείχαν στον υπολογισμό και την υπολογιζόμενη τυπική απόκλιση τους. Η μέθοδος calclongtimescaledifference(string UserID) εκτελεί τον αλγόριθμο ανίχνευσης διαφοροποιήσεων μεγαλύτερης χρονικής κλίμακας για όλες τις μεταβλητές που συμμετέχουν στους υπολογισμούς του αλγορίθμου εντοπισμών διαφοροποίησης μεταβλητών στο χρόνο και έχουν νέες τιμές σε σχέση με τον προηγούμενο υπολογισμό. Επιστρέφει λίστα με τα ονόματα των μεταβλητών που μετείχαν στον υπολογισμό και την υπολογιζόμενη τυπική απόκλιση τους. Η μέθοδος calctimeperiodsdifference(string UserID, DateTime datefrom1, DateTime dateto1, DateTime datefrom2, DateTime dateto2) εκτελεί τον αλγόριθμο ανίχνευσης μετάβασης φάσης για όλες τις μεταβλητές που συμμετέχουν στους υπολογισμούς του αλγορίθμου εντοπισμών διαφοροποίησης μεταβλητών στο χρόνο και έχουν νέες τιμές σε σχέση με τον προηγούμενο υπολογισμό. Επιστρέφει λίστα με τα ονόματα των μεταβλητών που μετείχαν στον υπολογισμό και την υπολογιζόμενη τυπική απόκλιση τους. Η μέθοδος calcuservaluation(string UserID) εκτελεί τον αλγόριθμο αποτίμησης κατάστασης ασθενή για όλες τις μεταβλητές που συμμετέχουν στον εν λόγω υπολογισμό και έχουν νέες τιμές σε σχέση με τον προηγούμενο υπολογισμό. Επιστρέφει λίστα με τα ονόματα των λειτουργιών που μετείχαν στον υπολογισμό και το υπολογιζόμενο score τους. Η μέθοδος getusers() επιστρέφει λίστα με τους χρήστες/ ασθενείς που μετέχουν στο έργο Εν-ΝΟΣΗΣ και υπάρχουν στη βάση δεδομένων του έργου. Στην παρακάτω εικόνα (Εικόνα 21) παρουσιάζεται μέρος του WSDL αρχείου με τις περιγραφές των παραπάνω μεθόδων. 91

92 Εικόνα 21: Στιγμιότυπο του WSDL της υπηρεσίας ennoisismeddmservice 92

93 Παρακάτω παρουσιάζονται παραδείγματα των μηνυμάτων που ανταλλάσσονται σε κάθε κλίση της κάθε μεθόδου. calcinstancedifference(string UserID): Αίτημα <s:envelope xmlns:s=" <s:header> <Action s:mustunderstand="1" xmlns=" p://tempuri.org/iennoisismeddmservice/calcinstancedifference</actio n> </s:header> <s:body> <calcinstancedifference xmlns=" <userid> </userid> </calcinstancedifference> </s:body> </s:envelope> Απάντηση <s:envelope xmlns:s=" <s:header /> <s:body> <calcinstancedifferenceresponse xmlns=" <calcinstancedifferenceresult xmlns:a=" xmlns:i=" <a:keyvalueofstringdouble> <a:key>αριθμός χρήσεων νιπτήρα ένα 24ωρο</a:Key> <a:value>0.2</a:value> </a:keyvalueofstringdouble> <a:keyvalueofstringdouble> <a:key>χρονική διάρκεια που μένει ανοικτή η βρύση μετά την αποχώρηση του ατόμου από τον χώρο της κουζίνας</a:key> <a:value>0.2</a:value> </a:keyvalueofstringdouble> <a:keyvalueofstringdouble> <a:key>χρονική διάρκεια που μένει ανοικτή η ηλεκτρική κουζίνα</a:key> <a:value>0.2</a:value> </a:keyvalueofstringdouble> 93

94 </calcinstancedifferenceresult> </calcinstancedifferenceresponse> </s:body> </s:envelope> calclongtimescaledifference(string UserID): Αίτημα <s:envelope xmlns:s=" <s:header> <Action s:mustunderstand="1" xmlns=" p://tempuri.org/iennoisismeddmservice/calclongtimescaledifference</ Action> </s:header> <s:body> <calclongtimescaledifference xmlns=" <userid> </userid> <datefrom> </datefrom> <dateto> </dateto> </calclongtimescaledifference> </s:body> </s:envelope> Απάντηση <s:envelope xmlns:s=" <s:header /> <s:body> <calclongtimescaledifferenceresponse xmlns=" <calclongtimescaledifferenceresult xmlns:a=" xmlns:i=" <a:keyvalueofstringdouble> <a:key>αριθμός χρήσεων νιπτήρα ένα 24ωρο</a:Key> <a:value>0.6</a:value> </a:keyvalueofstringdouble> <a:keyvalueofstringdouble> <a:key>χρονική διάρκεια που μένει ανοικτή η βρύση μετά την αποχώρηση του ατόμου από τον χώρο της κουζίνας</a:key> <a:value>0.7</a:value> </a:keyvalueofstringdouble> 94

95 <a:keyvalueofstringdouble> <a:key>χρονική διάρκεια που μένει ανοικτή η ηλεκτρική κουζίνα</a:key> <a:value>0.6</a:value> </a:keyvalueofstringdouble> </calclongtimescaledifferenceresult> </calclongtimescaledifferenceresponse> </s:body> </s:envelope> calctimeperiodsdifference(string UserID, DateTime datefrom1, DateTime dateto1, DateTime datefrom2, DateTime dateto2 ): Αίτημα <s:envelope xmlns:s=" <s:header> <Action s:mustunderstand="1" xmlns=" p://tempuri.org/iennoisismeddmservice/calctimeperiodsdifference</ac tion> </s:header> <s:body> <calctimeperiodsdifference xmlns=" <userid> </userid> <periods xmlns:d4p1=" ys" xmlns:i=" <d4p1:string> </d4p1:string> <d4p1:string> </d4p1:string> <d4p1:string> </d4p1:string> </periods> </calctimeperiodsdifference> </s:body> </s:envelope> Απάντηση <s:envelope xmlns:s=" <s:header /> <s:body> <calctimeperiodsdifferenceresponse xmlns=" 95

96 <calctimeperiodsdifferenceresult xmlns:a=" xmlns:i=" <a:keyvalueofstringdouble> <a:key>αριθμός χρήσεων νιπτήρα ένα 24ωρο</a:Key> <a:value>0.4</a:value> </a:keyvalueofstringdouble> <a:keyvalueofstringdouble> <a:key>χρονική διάρκεια που μένει ανοικτή η βρύση μετά την αποχώρηση του ατόμου από τον χώρο της κουζίνας</a:key> <a:value>0.5</a:value> </a:keyvalueofstringdouble> <a:keyvalueofstringdouble> <a:key>χρονική διάρκεια που μένει ανοικτή η ηλεκτρική κουζίνα</a:key> <a:value>0.6</a:value> </a:keyvalueofstringdouble> </calctimeperiodsdifferenceresult> </calctimeperiodsdifferenceresponse> </s:body> </s:envelope> calcuservaluation(string UserID): Αίτημα <s:envelope xmlns:s=" <s:header> <Action s:mustunderstand="1" xmlns=" p://tempuri.org/iennoisismeddmservice/calcuservaluation</action> </s:header> <s:body> <calcuservaluation xmlns=" <userid> </userid> </calcuservaluation> </s:body> Απάντηση <s:envelope xmlns:s=" <s:header /> <s:body> 96

97 <calcuservaluationresponse xmlns=" <calcuservaluationresult xmlns:a=" xmlns:i=" <a:keyvalueofstringdouble> <a:key>φασία</a:key> <a:value>10.4</a:value> </a:keyvalueofstringdouble> <a:keyvalueofstringdouble> <a:key>γνωσία</a:key> <a:value>6.5</a:value> </a:keyvalueofstringdouble> <a:keyvalueofstringdouble> <a:key>μνήμη</a:key> <a:value>13.6</a:value> </a:keyvalueofstringdouble> <a:keyvalueofstringdouble> <a:key>πραξία</a:key> <a:value>4.6</a:value> </a:keyvalueofstringdouble> <a:keyvalueofstringdouble> <a:key>εκτελεστική λειτουργία</a:key> <a:value>7.6</a:value> </a:keyvalueofstringdouble> <a:keyvalueofstringdouble> <a:key>οπτική Γνωσία</a:Key> <a:value>1.6</a:value> </a:keyvalueofstringdouble> <a:keyvalueofstringdouble> <a:key>γνωσία Χώρου</a:Key> <a:value>3.6</a:value> </a:keyvalueofstringdouble> <a:keyvalueofstringdouble> <a:key>αναγνώριση συνόλου Aντικειμένων</a:Key> <a:value>1.6</a:value> </a:keyvalueofstringdouble> <a:keyvalueofstringdouble> <a:key>προγραμματισμός</a:key> <a:value>0.6</a:value> </a:keyvalueofstringdouble> 97

98 <a:keyvalueofstringdouble> <a:key>σχεδιασμός</a:key> <a:value>3.6</a:value> </a:keyvalueofstringdouble> </calcuservaluationresult> </calcuservaluationresponse> </s:body> </s:envelope> 5.3 ΥΠΟΣΥΣΤΗΜΑ ΕΝΤΟΠΙΣΜΩΝ ΔΙΑΦΟΡΟΠΟΙΗΣΗΣ ΜΕΤΑΒΛΗΤΩΝ ΣΤΟ ΧΡΟΝΟ Βασική Λειτουργία Υποσυστήματος Χρησιμοποιώντας διαγράμματα τύπου Use Case της UML περιγράφεται παρακάτω η βασική λειτουργία του Υποσυστήματος Εντοπισμών Διαφοροποίησης Μεταβλητών στο Χρόνο (ennoisisdifferentiationtime) η οποία οδηγεί στην ανίχνευση μιας αξιοσημείωτης διαφοροποίησης στις τιμές που λαμβάνουν οι μεταβλητές που καταγράφονται από έναν συγκεκριμένο ασθενή, εν σχέση με το ιστορικό των τιμών του ίδιου ασθενή όπως αναπτύχθηκε στο κεφάλαιο 4. Ο αλγόριθμος αποτελείται από τρία επιμέρους σενάρια που ενεργοποιούνται μετά την κλήση των μεθόδων calcinstancedifference(), calclongtimescaledifference() και calctimeperiodsdifference(). Τα βήματα που περιγράφουν τον αλγόριθμο του συγκεκριμένου υποσυστήματος έχουν ως εξής: 1. Αρχικά λαμβάνονται τα δεδομένα του ασθενή (ID ασθενή) και τα χρονικά παράθυρα (periods) στην περίπτωση του σεναρίου 3 εντός του οποίου είναι επιθυμητό να ελεγχθεί η κατάσταση του ασθενή. 2. Το σύστημα συμπεραίνει από τις αποθηκευμένες τιμές των μεταβλητών στην ΒΔ, ποιες μεταβλητές έχουν νέες τιμές ώστε μόνο για αυτές να προχωρήσει στην ανάλυση. 3. Το υποσύστημα ανακτά τα υπόλοιπα δεδομένα του ασθενή από τη ΒΔ του Εν-ΝΟΗΣΗΣ που αφορούν το ιστορικό για κάθε μεταβλητή για την οποία γίνεται η μελέτη. Ανακτά προηγούμενες τιμές αποτελεσμάτων των αντίστοιχων σεναρίων που χρησιμοποιούνται για να υπολογιστεί η νέα τιμή του αλγορίθμου. 4. Το υποσύστημα επεξεργάζεται τα δεδομένα από τη ΒΔ του Εν-ΝΟΗΣΗΣ για το συγκεκριμένο χρονικό παράθυρο. 5. Υπολογίζει το Δείκτη Απόκλισης, ο οποίος δίνει σε κάθε χρονική στιγμή πόσο μεγάλη είναι η διαφορά της μετρούμενης μεταβλητής από μια κατάλληλα επιλεγμένη μέση τιμή της. 6. Το υποσύστημα εξάγει το ιατρικό συμπέρασμα και αποθηκεύει τα αποτελέσματα και τις υπολογισμένες νέες μεταβλητές στη ΒΔ του Εν-ΝΟΗΣΗΣ και τέλος τα επιστρέφει στο σύστημα της κλινικής πλατφόρμας που έκανε την κλήση της υπηρεσίας ιστού. 98

99 Παρακάτω (Εικόνα 22) παρουσιάζονται σε μορφή διαγράμματος Use Case Diagram τα βήματα του αλγορίθμου του υποσυστήματος εντοπισμών διαφοροποίησης μεταβλητών στο χρόνο. Εικόνα 22: Use Case Diagram Αλγόριθμος Υποσυστήματος Εντοπισμών Διαφοροποίησης Μεταβλητών στο Χρόνο Ανάκτηση Δεδομένων από τη ΒΔ του Εν-ΝΟΗΣΗΣ Η λειτουργία αυτή περιλαμβάνει την ανάκτηση από τη ΒΔ του Εν-ΝΟΗΣΗΣ των απαραίτητων δεδομένων που αφορούν την τιμή μιας συγκεκριμένης μεταβλητής που έχει υπολογιστεί από τις δοκιμασίες που έχει υποβληθεί ένας συγκεκριμένος χρήστης/ασθενής καθώς και τις τιμές υπολογισμένων στατιστικών τιμών από προηγούμενη μέτρηση εντοπισμών διαφοροποίησης μεταβλητών στο χρόνο. Η ανάκτηση γίνεται σύμφωνα με το ID του χρήστη και το χρονικό παράθυρο εντός του οποίου θα γίνει ο υπολογισμός του επιθυμητού Δείκτη Απόκλισης ανάλογα με μια κατάλληλα επιλεγμένη μέση τιμή. Τα δεδομένα που ανακτώνται από τη ΒΔ είναι οι τιμές της μεταβλητής στις χρονικές στιγμές για τις οποίες τρέχει κάθε φορά ο αλγόριθμος. Σημειώνεται ότι οι μεταβλητές που λαμβάνονται υπόψη σ αυτή τη διαδικασία είναι μόνο εκείνες για τις οποίες υπάρχει παρατήρηση, εξαιρούνται δηλαδή όσες έχουν τη δεδομένη στιγμή κενή τιμή (missing value). Η διαδικασία αυτή παρουσιάζεται στο παρακάτω UML Activity Diagram (Εικόνα 23). 99

100 Εικόνα 23: Activity Diagram Ανάκτηση Δεδομένων Επεξεργασία Δεδομένων Μεταβλητών Η συγκεκριμένη λειτουργία του υποσυστήματος περιλαμβάνει την επεξεργασία των μετρήσεων των μεταβλητών για κάθε χρήστη/ ασθενή χρησιμοποιώντας μαθηματικά της στατιστικής θεωρίας. Για τις μεταβλητές της ΒΔ του Εν-ΝΟΗΣΗΣ που συμμετέχουν στο συγκεκριμένο αλγόριθμο υπολογίζεται ο Δείκτης Απόκλισης (Deviation Index - DI), δηλαδή η ποσότητα που μετρά την απόκλιση της μετρούμενης τιμής κάποιας μεταβλητής από τη μέση τιμή της ίδιας μεταβλητής σε μονάδες τυπικών αποκλίσεων της κατανομής της. Το αποτέλεσμα οδηγεί στην εξαγωγή μιας τιμής για τον DI που συνδέεται με τη πιθανότητα εμφάνισης μια τιμής της μεταβλητής. Όσο μεγαλύτερος είναι (κατ απόλυτη τιμή) ο DI, τόσο 100

101 πιο απίθανο είναι να παρατηρηθεί μια τέτοια τιμή και άρα τόσο πιο αξιοσημείωτη η διαφοροποίηση από το φυσιολογικό. Η διαδικασία αυτή παρουσιάζεται στα παρακάτω UML Activity Diagram (Εικόνα 24). Αρχικά για κάθε μεταβλητή i εντός ενός συγκεκριμένου παραθύρου υπολογίζονται οι εξής τιμές: Εικόνα 24: Activity Diagram Επεξεργασία Δεδομένων Μεταβλητών για ένα συγκεκριμένο χρονικό παράθυρο Απόφαση Ιατρικού Συμπεράσματος Η λειτουργία απόφασης ιατρικού συμπεράσματος βασίζεται στις μεταβλητές που υπολογίστηκαν κατά τη λειτουργία της Επεξεργασίας Δεδομένων Μεταβλητών όπως αναφέρεται στην προηγούμενη ενότητα. Το υποσύστημα χρησιμοποιεί ένα αλγόριθμο απόφασης που έχει ως είσοδο όλες τις υπολογιζόμενες τιμές από την επεξεργασία των δεδομένων και αποφασίζει ανάλογα με το συγκεκριμένο στόχο να υπολογίσει τρεις Δείκτες Απόκλισης, που βασίζονται στα τρία σενάρια που περιγράφονται στο κεφάλαιο 4 και που μπορούν να δώσουν ένδειξη για την σημαντική διαφοροποίηση της τιμής μιας μεταβλητής προς τον χρόνο. Η διαδικασία αυτή παρουσιάζεται στο παρακάτω UML Activity Diagram (Εικόνα 25). 101

102 Εικόνα 25: Activity Diagram - Απόφαση Ιατρικού Συμπεράσματος αλγορίθμου Διαφοροποίησης στο Χρόνο Αποθήκευση Δεδομένων στη ΒΔ του Εν-ΝΟΗΣΗΣ Η τελευταία λειτουργία που κάνει το υποσύστημα είναι να αποθηκεύσει τις τιμές των μετρήσεων και τα αποτελέσματα στη ΒΔ του Εν-ΝΟΗΣΗΣ. Για ένα συγκεκριμένο χρονικό παράθυρο αποθηκεύονται τα αποτελέσματα που προκύπτουν για κάθε ένα από τους τρεις δείκτες απόφασης του αλγορίθμου διαφοροποίησης μεταβλητής στο χρόνο. Η διαδικασία αυτή παρουσιάζεται στο παρακάτω UML Activity Diagram (Εικόνα 26). 102

103 Εικόνα 26: Activity Diagram Αποθήκευση Δεδομένων στη ΒΔ του Εν-ΝΟΗΣΗΣ Τα αποτελέσματα τέλος επιστρέφονται ως απάντηση στην κλίση της μεθόδου της υπηρεσίας ιστού σύμφωνα με το πρωτόκολλο SOAP που περιεγράφηκε σε παραπάνω ενότητα Υλοποίηση Πρωτοτύπου του υποσυστήματος εντοπισμών διαφοροποίησης μεταβλητών στο χρόνο Το πρωτότυπο του συγκεκριμένου υποσυστήματος υλοποιήθηκε σε μια προγραμματιστική κλάση ονομαζόμενη ennoisisdifferentiationtimeclass. Η κλάση περιλαμβάνει τις μεθόδους που καλούνται από τις μεθόδους της υπηρεσίας ennoisismeddmservice ώστε να εκτελέσουν την ανάλυση. Η κλάση ennoisisdifferentiationtimeclass περιλαμβάνει τις εξής μεθόδους: Η μέθοδος calculatemeanvalue (List<Tuple<double, DateTime>> valueslist) υπολογίζει τη μέση τιμή της κάθε μεταβλητής (value) εντός ενός συγκεκριμένου χρονικού παραθύρου, χρησιμοποιώντας όλες τις ενδιάμεσες τιμές της μεταβλητής που έχουν παρθεί κατά το προς μελέτη χρονικό διάστημα. Η μέθοδος calculatesumofsquares (List<Tuple<double, DateTime>> valueslist) υπολογίζει το άθροισμα των τετραγώνων τιμών της κάθε μεταβλητής (value) εντός 103

104 ενός συγκεκριμένου χρονικού παραθύρου, χρησιμοποιώντας όλες τις ενδιάμεσες τιμές της μεταβλητής που έχουν παρθεί κατά το προς μελέτη χρονικό διάστημα. Η μέθοδος calculatestandarddeviation (List<Tuple<double, DateTime>> valueslist) υπολογίζει την τυπική απόκλιση της κάθε μεταβλητής (value) εντός ενός συγκεκριμένου χρονικού παραθύρου, χρησιμοποιώντας όλες τις ενδιάμεσες τιμές της μεταβλητής που έχουν παρθεί κατά το προς μελέτη χρονικό διάστημα. Η μέθοδος calculateinstantdeviationindex (string userid, Variables value, DateTime calcdate) εκτελεί τον αλγόριθμο για την ανίχνευση στιγμιαίων διαφοροποιήσεων για κάθε μία από τις μεταβλητές (value) που συμμετέχουν στους υπολογισμούς του αλγορίθμου εντοπισμών διαφοροποίησης μεταβλητών στο χρόνο (Σενάριο 1). Ο αλγόριθμος στιγμιαίας διαφοροποίησης τρέχει για την τρέχουσα χρονική στιγμή ώστε να υπολογιστεί η διαφοροποίηση της συγκεκριμένης μεταβλητής για έναν συγκεκριμένο χρήστη/ ασθενή. Η μέθοδος αυτή επιστρέφει τον υπολογιζόμενο δείκτη απόκλισης DI. Η μέθοδος calculateitimewindowdeviationindex (string userid, Variables value, DateTime datefrom, DateTime dateto) εκτελεί τον αλγόριθμο για την ανίχνευση στιγμιαίων διαφοροποιήσεων μεγαλύτερης χρονικής κλίμακας για κάθε μία από τις μεταβλητές (value) που συμμετέχουν στους υπολογισμούς του αλγορίθμου εντοπισμών διαφοροποίησης μεταβλητών στο χρόνο (Σενάριο 2). Ως αρχική χρονική στιγμή υπολογισμού του αλγορίθμου λαμβάνεται η προηγούμενη τελευταία χρονική στιγμή που υπολογίστηκε ο αντίστοιχος δείκτης απόκλισης DI σύμφωνα με τα αποτελέσματα που ανακτώνται από τη ΒΔ του συστήματος. Η μέθοδος αυτή επιστρέφει τον υπολογιζόμενο δείκτη απόκλισης DI. Η μέθοδος calculatestagetransition (string userid, Variables value, DateTime datefrom1, DateTime dateto1, DateTime datefrom2, DateTime dateto2) εκτελεί τον αλγόριθμο για την ανίχνευση μετάβασης φάσης για κάθε μία από τις μεταβλητές (value) που συμμετέχουν στους υπολογισμούς του αλγορίθμου εντοπισμών διαφοροποίησης μεταβλητών στο χρόνο (Σενάριο 3) καθώς η ανίχνευση σημαντικών διαφοροποιήσεων μεταξύ χρονικών παραθύρων διαφορετικής τάξης (της ίδιας μεταβλητής) μπορεί να στηρίξει την εκτίμηση ότι ο ασθενής μεταβαίνει από μια κλινική κατάσταση σε άλλη. Ως χρονικά παράθυρα μέτρησης ορίζονται από τον χρήστη/ ιατρό 4 χρονικές στιγμές, για τις οποίες κρίνεται απαραίτητη η μελέτη της ανίχνευση μετάβασης φάσης του ασθενή για τις μετρούμενες μεταβλητές. Η μέθοδος αυτή επιστρέφει τον υπολογιζόμενο δείκτη απόκλισης DI. Η μέθοδος savedeviationindex (DIResultsValues result) αποθηκεύει στη ΒΔ του Εν- ΝΟΗΣΗΣ τα αποτελέσματα του εκάστοτε υπολογιζόμενου δείκτη απόκλισης για μελλοντική χρήση του αλλά και εποπτεία της διαφοροποίησης μεταβλητών στο χρόνο ώστε να διευκολυνθεί η ιατρική απόφαση. Προκειμένου να γίνεται ανάκτηση των παλιότερων τιμών των επιμέρους δεικτών απόκλισης από τη ΒΔ του Εν-ΝΟΗΣΗΣ αλλά και να διευκολύνεται η αποθήκευση των νέων αποτελεσμάτων στη ΒΔ του Εν-ΝΟΗΣΗΣ υλοποιήθηκε η βοηθητική κλάση DIResultsValues η οποία περιλαμβάνει τα αντικείμενα που απαιτούνται για να γίνει η αποθήκευση των 104

105 αποτελεσμάτων στη βάση και μια μέθοδο που διαβάζει από τη ΒΔ του Εν-ΝΟΗΣΗΣ και ανακτά παλαιότερα δεδομένα: Στα αντικείμενα της κλάσης GetDIResultsValues περιέχονται στοιχεία που αποθηκεύονται στη ΒΔ του Εν-ΝΟΗΣΗΣ για μελλοντική χρήση τους και εποπτεία της κατάστασης του ασθενή. Σε αυτά τα στοιχεία συμπεριλαμβάνονται το ID του χρήστη, η ημερομηνία υπολογισμού του συγκεκριμένου σεναρίου του αλγορίθμου διαφοροποίησης, ο τύπος του σεναρίου, το όνομα της μεταβλητής για την οποία υπολογίστηκε ο αλγόριθμος και η τιμή του αποτελέσματος του συγκεκριμένου σεναρίου του αλγορίθμου. Η μέθοδος GetLastDI (string userid, string variable, string di_type) ανακτά σύμφωνα με το ID του χρήστη, το όνομα της μεταβλητής και τον τύπο του σεναρίου διαφοροποίησης τα προηγούμενα αποτελέσματα του κάθε σεναρίου για τον υπολογισμό των νέων τιμών των σεναρίων του αλγορίθμου για τις μεταβλητές που στο διάστημα μεταξύ της τελευταίας μέτρησης του εκάστοτε σεναρίου και της παρούσας στιγμής έχει προκύψει νέα μέτρηση. Στα Class Diagrams (Εικόνα 27, Εικόνα 28) που ακολουθούν παρουσιάζονται η κλάση «ennoisisdifferentiationtimeclass» που υλοποιεί το Υποσύστημα Εντοπισμών Διαφοροποίησης Μεταβλητών στο Χρόνο αλλά και η βοηθητική κλάση ανάκτησης και αποθήκευσης των δεδομένων στη ΒΔ του Εν-ΝΟΗΣΗΣ. Εικόνα 27: Class Diagram Κλάση ennoisisdifferentiationtimeclass για υλοποίηση αλγορίθμου Εντοπισμών Διαφοροποίησης Μεταβλητών στο Χρόνο 105

106 Εικόνα 28: Class Diagram Κλάση DIResultsValues για ανάκτηση και αποθήκευση δεδομένων στη ΒΔ του Εν- ΝΟΗΣΗΣ 5.4 ΥΠΟΣΥΣΤΗΜΑ ΑΝΑΓΝΩΡΙΣΗΣ ΚΑΤΑΣΤΑΣΗΣ ΑΣΘΕΝΟΥΣ Βασική Λειτουργία Υποσυστήματος Χρησιμοποιώντας διαγράμματα τύπου Use Case της UML περιγράφεται η βασική λειτουργία του Υποσυστήματος Αναγνώρισης Κατάστασης Ασθενούς (ennoisispatientstatusvaluation) η οποία οδηγεί στην αποτίμηση της κατάστασης ενός ασθενή ως προς τις διάφορες παραμέτρους ενδιαφέροντος (ενδυνάμωση, πρόγνωση κλπ.) όπως αυτή περιγράφεται στο κεφάλαιο 4. Ο αλγόριθμος ενεργοποιείται μετά την κλήση της μεθόδου calcuservaluation(). Τα βήματα που περιγράφουν τον αλγόριθμο του συγκεκριμένου υποσυστήματος έχουν ως εξής: 1. Αρχικά λαμβάνονται τα δεδομένα του ασθενή (ID ασθενή) σε μια συγκεκριμένη χρονική στιγμή για την οποία επιθυμείται να ελεγχθεί η κατάσταση του ασθενή. 2. Το σύστημα συμπεραίνει από τις αποθηκευμένες τιμές των μεταβλητών στην ΒΔ, ποιες μεταβλητές έχουν νέες τιμές και για αυτές θα προχωρήσει στην ανάλυση. 3. Το υποσύστημα ανακτά τα υπόλοιπα δεδομένα του ασθενή από τη ΒΔ του Εν-ΝΟΗΣΗΣ που αφορούν το ιστορικό για κάθε μεταβλητή για την οποία γίνεται η μελέτη. 4. Το υποσύστημα επεξεργάζεται τα δεδομένα από τη ΒΔ του Εν-ΝΟΗΣΗΣ με τις τιμές των μεταβλητών που έχουν προκύψει από τις τρεις κατηγορίες των δραστηριοτήτων και με βάση τιμές κατωφλίων δημιουργεί νέες επανακωδικοποιημένες διχοτομικές μεταβλητές που λαμβάνουν την τιμή 1 ή 0, ανάλογα με το αν ξεπεράστηκε η τιμή κατωφλίου ή όχι. 5. Οι διχοτομικές μεταβλητές ανήκουν σε κάποια από τρεις κατηγορίες δραστηριοτήτων που υπάρχουν και είναι συσχετισμένες με μια συγκεκριμένη λειτουργία. Στο βήμα αυτό επομένως, υπολογίζεται από το υποσύστημα το σκορ της αντίστοιχης κατηγορίας δραστηριότητας για μια συγκεκριμένη χρονική στιγμή. 6. Υπολογίζεται το σκορ της αντίστοιχης λειτουργίας που προκύπτει από την σταθμισμένη μέση τιμή των σκορ των διαφορετικών κατηγοριών για τη συγκεκριμένη χρονική στιγμή. 7. Το υποσύστημα εξάγει το ιατρικό συμπέρασμα το οποίο δίνει την κατάσταση του ασθενή ως προς κάθε μία προς μελέτη λειτουργία για τη συγκεκριμένη χρονική στιγμή και τελικά 106

107 αποθηκεύει την τελική τιμή του αποτελέσματος του αλγορίθμου στη ΒΔ του Εν-ΝΟΗΣΗΣ και τέλος τα επιστρέφει στο σύστημα της κλινικής πλατφόρμας που έκανε την κλήση της υπηρεσίας ιστού. Παρακάτω παρουσιάζονται σε μορφή διαγράμματος Use Case Diagram (Εικόνα 29) τα βήματα του αλγορίθμου του υποσυστήματος αναγνώρισης κατάστασης ασθενούς. Εικόνα 29: Use Case Diagram Αλγόριθμος Υποσυστήματος Αναγνώρισης Κατάστασης Ασθενούς Ανάκτηση Δεδομένων από τη ΒΔ του Εν-ΝΟΗΣΗΣ Η λειτουργία αυτή περιλαμβάνει την ανάκτηση από τη ΒΔ του Εν-ΝΟΗΣΗΣ των τιμών των υπό μελέτη μεταβλητών που έχουν υπολογιστεί από τις δοκιμασίες που έχει υποβληθεί ένας συγκεκριμένος χρήστης/ ασθενής για μια συγκεκριμένη χρονική στιγμή. Σύμφωνα με το ID του χρήστη γίνεται ανάκτηση από τη ΒΔ των τιμών των μεταβλητών που συμμετέχουν στον υπολογισμό του συγκεκριμένου αλγορίθμου για μια δεδομένη χρονική στιγμή. Σημειώνεται ότι οι μεταβλητές που λαμβάνονται υπόψη σε αυτή τη διαδικασία είναι μόνο εκείνες για τις οποίες υπάρχει παρατήρηση, εξαιρούνται δηλαδή όσες έχουν τη δεδομένη στιγμή κενή τιμή (missing value). Η διαδικασία αυτή παρουσιάζεται στο παρακάτω UML Activity Diagram (Εικόνα 30). 107

108 Εικόνα 30: Activity Diagram Ανάκτηση Δεδομένων από ΒΔ Εν-ΝΟΗΣΗΣ Επεξεργασία Δεδομένων Μεταβλητών Η συγκεκριμένη λειτουργία του υποσυστήματος περιλαμβάνει την επεξεργασία των τιμών των μεταβλητών για κάθε χρήστη/ ασθενή. Για τις μεταβλητές της ΒΔ του Εν-ΝΟΗΣΗΣ που συμμετέχουν στο συγκεκριμένο αλγόριθμο αρχικά με βάση τιμές κατωφλίων που έχουν οριστεί σύμφωνα με την ιατρική γνώση δημιουργούνται νέες επανακωδικοποιημένες διχοτομικές μεταβλητές που λαμβάνουν την τιμή 1 ή 0, ανάλογα με το εάν ξεπεράστηκε η τιμή κατωφλίου ή όχι. Αυτές οι διχοτομικές μεταβλητές που ανήκουν σε κάποια από τις κατηγορίες δραστηριότητας και είναι συσχετισμένες με μια συγκεκριμένη λειτουργία στη συνέχεια αθροίζονται και το άθροισμα τους διαιρείται με τον αριθμό των μεταβλητών. Η τιμή που προκύπτει αποτελεί το σκορ του ασθενή για τη συγκεκριμένη κατηγορία και τη συγκεκριμένη χρονική στιγμή. Τέλος η κατάσταση του ασθενή ως προς κάποια λειτουργία για τη συγκεκριμένη χρονική στιγμή προκύπτει ως η σταθμισμένη μέση τιμή των σκορ των διαφορετικών κατηγοριών με συντελεστές στάθμισης που επιλέγονται με βάση την ιατρική 108

109 αντίληψη. Η διαδικασία αυτή παρουσιάζεται στα παρακάτω UML Activity Diagram (Εικόνα 31). Εικόνα 31: Activity Diagram Επεξεργασία Τιμών Μεταβλητών για μια δεδομένη χρονική στιγμή 109

110 5.4.4 Απόφαση Ιατρικού Συμπεράσματος Η λειτουργία απόφασης ιατρικού συμπεράσματος βασίζεται στις μεταβλητές που υπολογίστηκαν κατά τη λειτουργία της Επεξεργασίας Δεδομένων Μεταβλητών όπως αναφέρεται στην προηγούμενη ενότητα. Το υποσύστημα χρησιμοποιεί ένα αλγόριθμο απόφασης που έχει ως είσοδο όλα τα υπολογιζόμενα αποτελέσματα των τιμών ανά λειτουργία από την επεξεργασία των δεδομένων και αποφασίζει ανάλογα με την κατάσταση του ασθενή ως προς κάθε λειτουργία να αποτιμήσει την γενικότερη κατάσταση του. Η διαδικασία αυτή παρουσιάζεται στο παρακάτω UML Activity Diagram (Εικόνα 32). Εικόνα 32: Activity Diagram - Απόφαση Ιατρικού Συμπεράσματος αλγορίθμου Αποτίμησης κατάστασης ασθενή Αποθήκευση Δεδομένων στη ΒΔ του Εν-ΝΟΗΣΗΣ Η τελευταία λειτουργία που κάνει το υποσύστημα είναι να αποθηκεύσει τα αποτελέσματα της ιατρικής απόφασης στη ΒΔ του Εν-ΝΟΗΣΗΣ. Για μια δεδομένη χρονική στιγμή αποθηκεύεται η τιμή του αλγορίθμου της αποτίμησης της κατάστασης του ασθενή στη ΒΔ του Εν-ΝΟΗΣΗΣ. Η διαδικασία αυτή παρουσιάζεται στο παρακάτω UML Activity Diagram (Εικόνα 33). 110

111 Εικόνα 33: Activity Diagram Αποθήκευση Δεδομένων στη ΒΔ του Εν-ΝΟΗΣΗΣ Υλοποίηση Πρωτοτύπου του υποσυστήματος αποτίμησης κατάστασης του ασθενή Το πρωτότυπο του συγκεκριμένου υποσυστήματος υλοποιήθηκε σε μια προγραμματιστική κλάση ονομαζόμενη «ennoisispatientstatusvaluationclass». Η κλάση περιλαμβάνει τις μεθόδους που καλούνται από τις μεθόδους της υπηρεσίας ennoisismeddmservice ώστε να εκτελέσουν την ανάλυση. Η κλάση ennoisispatientstatusvaluationclass περιλαμβάνει τις εξής μεθόδους: Η μέθοδος calculatefunctionscore (Functions function, DateTime datefrom, DateTime dateto, string userid) υπολογίζει το σκορ της κατάστασης του ασθενή ως προς κάποια λειτουργία που προκύπτει από τις μετρήσεις των μεταβλητών που συμμετέχουν στις τρεις κατηγορίες δραστηριοτήτων που υλοποιούνται στο έργο Εν- ΝΟΗΣΗΣ τη συγκεκριμένη χρονική στιγμή. Η μέθοδος αυτή επιστρέφει την υπολογιζόμενη κατάσταση του ασθενή. Η μέθοδος saveuservaluation (ValuationResultsValues result) αποθηκεύει στη ΒΔ του Εν-ΝΟΗΣΗΣ τα αποτελέσματα του αλγορίθμου αποτίμησης κατάστασης του ασθενή ανά λειτουργία για μελλοντική χρήση του αλλά και εποπτεία της κατάστασης του ασθενή ώστε να διευκολυνθεί η ιατρική απόφαση. Προκειμένου να υπολογίζονται οι διχοτομικές μεταβλητές που προκύπτουν για κάθε σενάριο δραστηριότητας και να γίνεται ανάκτηση των παλιότερων τιμών της κατάστασης του ασθενή από τη ΒΔ του Εν-ΝΟΗΣΗΣ αλλά και να διευκολύνεται η αποθήκευση των νέων αποτελεσμάτων στη ΒΔ του Εν-ΝΟΗΣΗΣ υλοποιήθηκαν επίσης οι βοηθητικές κλάσεις GetValuationResultValues και GetValuationVariables, οι οποίες περιλαμβάνουν αντίστοιχα τους αλγορίθμους υπολογισμών των επιμέρους διχοτομικών μεταβλητών αλλά και τα 111

112 αντικείμενα που απαιτούνται για να γίνει η αποθήκευση των αποτελεσμάτων στη βάση και η ανάκτηση από τη ΒΔ του Εν-ΝΟΗΣΗΣ των παλαιότερων δεδομένων. Συγκεκριμένα, η κλάση GetValuationResultValues περιλαμβάνει τις εξής μεθόδους και τα εξής αντικείμενα: Στα αντικείμενα της κλάσης GetValuationResultValues περιέχονται στοιχεία που αποθηκεύονται στη ΒΔ του Εν-ΝΟΗΣΗΣ για μελλοντική χρήση τους και εποπτεία της κατάστασης του ασθενή. Σε αυτά τα στοιχεία συμπεριλαμβάνονται το ID του χρήστη, η ημερομηνία υπολογισμού του συγκεκριμένου αλγορίθμου αποτίμησης κατάστασης του ασθενή, το όνομα της λειτουργίας για την οποία υπολογίστηκε ο αλγόριθμος και η τιμή του αποτελέσματος του αλγορίθμου. Η μέθοδος GetLastValuation (string userid, string functionality) ανακτά σύμφωνα με το ID του χρήστη και το όνομα της λειτουργίας τα προηγούμενα αποτελέσματα της αποτίμησης κατάστασης του ασθενή για τον υπολογισμό των νέων τιμών των σεναρίων του αλγορίθμου για τις μεταβλητές που στο διάστημα μεταξύ της τελευταίας μέτρησης του εκάστοτε σεναρίου και της παρούσας στιγμής έχει προκύψει νέα μέτρηση. Η κλάση GetValuationVariables περιλαμβάνει τις εξής μεθόδους και τα εξής αντικείμενα: Η μέθοδος virtualgamesdichotomvalues (Functions function, DateTime datefrom, DateTime dateto, string userid) παράγει τις νέες διχοτομικές μεταβλητές που προκύπτουν από τις μεταβλητές που ανήκουν στα ηλεκτρονικά παιχνίδια. Η μέθοδος dailyactivitiesdichotomvalues (Functions function, DateTime datefrom, DateTime dateto, string userid) παράγει τις νέες διχοτομικές μεταβλητές που προκύπτουν από τις μεταβλητές που ανήκουν στα σενάρια καθημερινής πραγματικότητας. Η μέθοδος screeningtestdichotomvalues (Functions function, DateTime datefrom, DateTime dateto, string userid) παράγει τις νέες διχοτομικές μεταβλητές που προκύπτουν από τις μεταβλητές που ανήκουν στις δοκιμασίες του Screening Test. Η μέθοδος checkdichotomvalues (double valuedouble, Tuple<string,string> minmax) υπολογίζει τη διχοτομική τιμή μιας μεταβλητής σύμφωνα με τα κάτω και άνω όρια που έχουν οριστεί για την εκάστοτε μεταβλητή. Στα Class Diagram (Εικόνα 34, Εικόνα 35, Εικόνα 36) που ακολουθεί παρουσιάζεται η κλάση «ennoisispatientstatusvaluationclass» που υλοποιεί το Υποσύστημα Αποτίμησης Κατάστασης του Ασθενή αλλά και η βοηθητική κλάση ανάκτησης και αποθήκευσης των δεδομένων στη ΒΔ του Εν-ΝΟΗΣΗΣ. 112

113 Εικόνα 34: Class Diagram Κλάση ennoisispatientstatusvaluationclass για υλοποίηση αλγορίθμου Αποτίμησης Κατάστασης Ασθενή Εικόνα 35: Class Diagram Κλάση GetValuationResultsValues για ανάκτηση και αποθήκευση δεδομένων στη ΒΔ του Εν-ΝΟΗΣΗΣ Εικόνα 36: Class Diagram Κλάση GetValuationVariables για παραγωγή διχοτομικών μεταβλητών 5.5 ΧΡΟΝΟΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ ΕΚΤΕΛΕΣΗΣ ΑΛΓΟΡΙΘΜΩΝ Προκειμένου το υποσύστημα ιατρικής συμπερασματολογίας να είναι ανεξάρτητο από την κλινική πλατφόρμα και να εκτελείται σε τακτά χρονικά διαστήματα χωρίς να απαιτείται η παρέμβαση των χρηστών υλοποιήθηκε και ένα επιπλέον βοηθητικό Console Application το οποίο παρέχει τον χρονοπρογραμματισμό του κάθε υποσυστήματος. Η ανάγκη που προέκυψε ώστε τα δεδομένα που συμμετέχουν στον αλγόριθμο ιατρικής συμπερασματολογίας να είναι ακριβή και ουσιώδη οδήγησε στην έννοια του χρονοπρογραμματισμού. Ο κάθε αλγόριθμος που υλοποιήθηκε μπορεί να εκτελείται σε διαφορετικά χρονικά διαστήματα ώστε να λαμβάνεται το καλύτερο δυνατό αποτέλεσμα. Κατόπιν μελέτης αλλά και συνεχών δοκιμών ώστε να γίνει αντιληπτή η διαφοροποίηση των 113