Pokročilé vytěžování dat plátců zdravotní péče v oblasti protinádorové chemoterapie

Bc. Michaela Krpenská

Master's thesis

Advanced data mining techniques in the field of cancer chemotherapy

Abstract:

Tato diplomová práce se věnuje vytěžování dat plátců zdravotní péče v oblasti protinádorové chemoterapie. Protinádorová chemoterapie je podávána dle definovaných schémat (chemoterapeutických režimů), jejichž dodržení je v korelaci s výsledným efektem léčby. V praxi však často nejsou dostupná data o aplikovaných režimech, nýbrž pouze data o aplikaci jednotlivých cytostatik. Pro zpětné odvození použitých režimů je k dispozici digitální knihovna chemoterapeutických režimů, která je součástí projektu DIOS. Hlavním zdrojem na získávání informací o používaných režimech se osvědčila publikace Modrá kniha České onkologické společnosti ČLS JEP. V rámci práce proběhla digitalizace nových režimů. Byla zdigitalizována kompletně 20. a 21. verze Modré knihy. Digitální knihovna je použita při tvorbě algoritmu, který umožní zpětně odvodit režim a vyhodnotit jeho dodržení. Datovým souborem jsou anonymizovaná data plátců zdravotní péče. K dispozici je 3743 onkologických pacientů. Datový soubor pokrývá období od ledna 2007 po září 2014. Zpracování dat a tvorba algoritmu proběhla v databázi ORACLE 11g. Algoritmus je vytvořen jako procedura obsahující 5 procedur. Data jsou předzpracována a očištěna prvními třemi procedurami. Čtvrtá procedura hledá v datech ze zdravotní pojišťovny a v datech z digitální knihovny spojitost. Propojením těchto dat zpětně odvozuje chemoterapeutický režim. Pátá procedura transformuje výsledky do finální podoby. Přes kritéria předzpracování dat neprošlo 11.54 % pacientů. Ze zbylých pacientů, kteří postoupili z předzpracování do další části procesu, algoritmus úspěšně zpětně odvodil rodinu režimů u 95,74 % pacientů. Jako druhá metoda pro zpětné odvození chemoterapeutických režimů byla experimentálně otestována klasifikační metoda CART. Klasifikační rozhodovací strom modeluje závislost kategoriální závisle proměnné na jedné či více nezávislých proměnných prediktorech. Rozhodovací strom byl vytvořen (natrénován a otestován) na datovém souboru z digitální knihovny režimů. Soubor dat plátců zdravotní péče byl použit ke klasifikaci do nových kategorií (rodin režimů) pomocí již vytvořeného stromu. Správnost klasifikace rozhodovacího stromu je 3,52 %. Použití algoritmu je pro odvozování chemoterapeutických režimů vhodnější, než použití klasické klasifikační metody jako jsou rozhodovací stromy. Algoritmus má mnohonásobně vyšší správnost přiřazení režimu než klasická klasifikační metoda. Algoritmus zpracuje i složitou strukturu vstupního souboru na rozdíl od rozhodovacích stromů.

Abstract:

Advanced data mining techniques in the field of cancer chemotherapy is studied in this thesis. Cancer chemotherapy is administered according to defined schemes. Compliance with these definitions is correlated with the resultant effect of treatment. However, there is lack of available data about the applied mode, but only the data of application of the individual cytostatic agents. In DIOS project, there is a digital library (database) which contains all chemotherapeutic regimens. The main source that is crucial for obtaining information about used schemes has been proven to be publication Blue Book Czech Oncological Society. As part of this thesis was the digitalization of new chemotherapy regimens. Two versions of the book, 20th and 21st, has been completely digitalized. The digital library has used to create an algorithm that is the main aim of this thesis. The algorithm should re-derive chemotherapy regimens and assess their compliance. The data set contains anonymised healthcare payer's data. There are 3,743 cancer patients. The data set covers time period from January 2007 to September 2014. Data processing and creation algorithm was held in Oracle 11g. The algorithm is configured as one procedure comprising five main procedures. The first three procedures pre-processed and cleanse data sets. The fourth procedure combines healthcare payer’s data and data from the digital library. Chemotherapeutic regimens were re-derived by linking these data sets. The fifth procedure transforms the results to the final form. The first procedure Pre-processing eliminated 11.54% of patients. Of the remaining patients, who get through the pre-processing, the algorithm successfully re-derived the family of regimens for 95.74% of patients. As a second method for re-deriving chemotherapy regimens has been experimentally tested a classification method CART. The classification decision tree model the dependence of categorical dependent variable on multiple predictors. A decision tree was developed (trained and tested) on a data set from a digital library. Healthcare payer's data was used for the classification with new categories (families of regimens) using already created decision tree. The accuracy of the classification decision tree is 3.52 %. Using the algorithm for re-deriving chemotherapy regimens is preferable over than using the standard classification methods such as decision trees. The algorithm has much higher accuracy than classical classification method. It processes the complex structure of the input data set in contrast to decision trees.

Keywords

Data mining, Protinádorová chemoterapie, Chemoterapeutický režim, Digitální knihovna, Data plátců zdravotní péče, Algoritmus, ORACLE, PL/SQL, Rozhodovací stromy, CART, Cancer chemotherapy, Chemotherapeutic regimen, Digital library, Healthcare payer's data, Algorithm, Decision trees

Language used: Czech

Date on which the thesis was submitted / produced: 5. 1. 2017

Thesis defence

• Date of defence: 8. 2. 2017
• Supervisor: RNDr. Daniel Klimeš, Ph.D.

Masaryk University

Faculty of Science

Master programme / field:
Experimental Biology / Mathematical Biology