Fænotypeinddeling og prædiktion af ældre borgeres longitudinale hjemmeplejebehov
Oversat titel
Phenotyping and prediction of the longitudinal home care requirement of elderly citizens
Forfattere
Jensen, Steffen ; Gadensgaard, Mathilde Fischer
Semester
4. semester
Uddannelse
Udgivelsesår
2020
Afleveret
2020-06-02
Antal sider
105
Resumé
Kommunal ældrepleje skal løse flere opgaver inden for stramme budgetter, mens borgernes behov bliver mere mangfoldige. Dette studie undersøger, om data fra elektroniske hjemmeplejejournaler kan bruges i et datadrevet værktøj til at finde og forudsige mønstre (”fænotyper”) i plejebehov. Vi udviklede et proof-of-concept med to dele. For det første sammenlignede vi to metoder til at gruppere borgere—k-means clustering og hierarkisk agglomerativ clustering—for at identificere typer af plejebehov ud fra hver borgers hjemmeplejeforløb over et år. For det andet trænede vi en klassifikationsmodel til at forudsige en borgers type af plejebehov allerede ved første besøg, baseret på demografiske oplysninger og data fra den første visitation. Vi sammenlignede en Random Forest med et neuralt netværk. Med k-means fandt systemet seks tydelige typer af plejebehov. Ved forudsigelse af typen gav Random Forest den bedste præstation med en ROC AUC på 0,77 og en PR AP på 0,43 (almindelige mål for forudsigelsesnøjagtighed), hvilket indikerer moderat præcision. Konklusion: Elektroniske hjemmeplejejournaler kan bruges til at udtrække typer af plejebehov med k-means. En Random Forest baseret på data fra første besøg er en lovende metode til at estimere fremtidige plejebehov.
Municipal eldercare faces growing demand under tight budgets, while older citizens’ needs are increasingly diverse. This study investigates whether routinely collected electronic home care records can support a data-driven tool to find and predict patterns (phenotypes) of care requirements. We built a two-part proof-of-concept system. First, we compared two grouping methods—k-means clustering and hierarchical agglomerative clustering—to identify care-need phenotypes from each citizen’s home care trajectory over one year. Second, we trained a classifier to predict a citizen’s phenotype at the outset using demographic information and data from the first visitation. We compared a Random Forest with a Neural Network. Using k-means, the system identified six distinct care-need phenotypes. For phenotype prediction, the best performance came from the Random Forest, with a ROC AUC of 0.77 and a PR AP of 0.43 (standard measures of predictive accuracy), indicating moderate performance. Conclusion: Electronic home care records can be used to extract care-need phenotypes with k-means clustering. Applying a Random Forest to first-visit data shows promise for estimating future care requirements.
[Dette resumé er omskrevet med hjælp fra AI baseret på projektets originale resumé]
Emneord