Loppuseminaari: Terveydenhuollon uudet analyysimenetelmät (TERANA) Jaakko Riihimäki AB HELSINKI UNIVERSITY OF TECHNOLOGY Department of Biomedical Engineering and Computational Science 1.4.2009
Lonkkamurtumarekisteri Hoitojakson mallintaminen lonkkamurtuman jälkeen Yhteistyössä THL:n kanssa (Reijo Sund, Matti Mäkelä, Unto Häkkinen) Hoitojakson pituuden ennustaminen ja tutkiminen Selittävien tekijöiden merkitys ennusteissa Hip fracture operation Rehabilitation Home Readmission to hospital
Lonkkamurtumarekisteri Lonkkamurtumapotilaat Suomessa vuosina 1998-2001 Aineisto muodostettu useasta rekisteristä Kompleksinen aineisto: Havaintoja yli 15000 Suuri määrä selittäviä tekijöitä Hierarkkinen: potilas-, kunta- ja sairaanhoitoaluemuuttujat Kovariaattien välillä mahdollisia interaktioita
Bayesilainen ei-parametrinen malli Ei-parametrinen Multilayer perceptron-malli (MLP) Vaihtoehtoisesti Gaussinen prosessi (GP) Havaintojen suuren määrän vuoksi valittu MLP Ei-parametrisen mallin avulla Joustavat jakaumien muodot Epälineaarisuudet Syötteiden väliset interaktiot Bayesilainen lähestymistapa mallintamisessa Priori asetettu suosimaan sileitä ratkaisuja Parametriavaruuksien yli integrointi MCMC-menetelmin
Ei-parametrinen ennustemalli Hoitojakson keston ennustaminen 0.45 0.4 intracapsular fracture extracapsular fracture 0.35 0.3 probability 0.25 0.2 0.15 0.1 0.05 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 week of discharge from rehabilitation
Kovariaattien merkittävyys ennusteissa Aikaisen kotiuttamisen todennäköisyys 0.1 0 0.1 change in early discharge probability Background characteristics Intracapsular fracture Admitted from home Malignancy Osteoarthritis Peripheral vascular disease Women sex Ischemic heart disease Previous myocardial infarction Alcoholism One week increase in days of preceding care Chronic obstructive pulmonary disease Five years increase in age Diabetes Cerebrovascular disease Congestive heart failure Dementia Parkinson s disease Process variables Operation type No operation Hemiarthoplasty Total hip arthoplasty Other Internal fixation
Epälineaarisuudet ja interaktiot Kotiuttamisen jälkeen sairaalaan uudelleen joutumisen todennäköisyys 0.75 readmission probability 0.7 0.65 0.6 0.55 0.5 0.45 40 30 20 days of preceding care 10 0 95 90 85 80 75 70 65 age
Aluevertailu Kotiuttamisen jälkeen sairaalaan uudelleen joutumisen todennäköisyys hospital areas simulated median value simulated 95% credible interval crude estimate from the data 0.8 0.9 1 1.1 1.2 1.3 1.4 relative risk of readmission
Ei-parametrisen ja parametrisen mallin vertailu Ei-parametristen mallien vertailukohdaksi perinteinen parametrinen malli Coxian phase-type mallit ja Weibull-jakaumien sekamallit Jakaumien muodot rajoittuneita Epälineaarisuudet hankala toteuttaa Interaktiot kovariaattien välillä hankalia
Ennustavien jakaumien muodot Ei-parametrisen ja parametrisen mallin vertailu 0.2 intracapsular fracture, expectation value extracapsular fracture, expectation value 0.2 intracapsular fracture, expectation value extracapsular fracture, expectation value 0.15 0.15 probability 0.1 probability 0.1 0.05 0.05 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 length of stay in weeks (a) Ennustemallina ei-parametrinen MLP 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 length of stay in weeks (b) Ennustemallina parametrinen Weibull-jakauma sekamalli
Syötteiden merkittävyys Ei-parametrisen ja parametrisen mallin vertailu MLP Age Women sex WM Women sex Intracapsular fracture Intracapsular fracture Admitted from home Admitted from home Days of preceding care (square root) Days of preceding care (square root) Malignancy Malignancy Chronic obstructive pulmonary disease Chronic obstructive pulmonary disease Ischemic heart disease Ischemic heart disease Previous myocardial infarction Previous myocardial infarction Congestive heart failure Congestive heart failure Cerebrovascular disease Cerebrovascular disease Peripheral vascular disease Peripheral vascular disease Diabetes without complications Diabetes without complications Osteoarthritis Osteoarthritis Parkinson s disease Parkinson s disease Dementia Dementia Alcoholism Alcoholism MLP WM 0.2 0.1 0 0.1 0.2 0.3 Average predictive comparison (a) Yksittäisen syötteen merkittävyys 0 0.1 0.2 0.3 KL divergence (b) Syöteparien merkittävyys iän kanssa
Epälineaarisuudet ja interaktiot Ei-parametrisen ja parametrisen mallin vertailu 0.8 0.7 intracapsular fracture extracapsular fracture 0.8 0.7 intracapsular fracture extracapsular fracture probability of early discharge 0.6 0.5 0.4 0.3 probability of early discharge 0.6 0.5 0.4 0.3 0.2 0.2 0.1 65 70 75 80 85 90 95 age (a) Ennustemallina ei-parametrinen MLP 0.1 65 70 75 80 85 90 95 age (b) Ennustemallina parametrinen Weibull-jakauma sekamalli
Epälineaarisuudet ja interaktiot Ei-parametrisen ja parametrisen mallin vertailu 0.8 0.7 without Parkinson s disease Parkinson s disease 0.8 0.7 without Parkinson s disease Parkinson s disease probability of early discharge 0.6 0.5 0.4 0.3 probability of early discharge 0.6 0.5 0.4 0.3 0.2 0.2 65 70 75 80 85 90 age (a) Ennustemallina ei-parametrinen MLP 65 70 75 80 85 90 age (b) Ennustemallina parametrinen Weibull-jakauma sekamalli
Kuntarekisteri Kuolleisuusriskin mallintaminen kunnittain Kuntakohtaisten kuolleisuusriskien mallinnus koko Suomelle tautikarttojen tueksi (Olli-Pekka Ryynänen) Ennustettava muuttuja: kuntakohtainen ikä-, sukupuoli- ja koulutusvakioitu iskeemisten sydäntautien kuolleisuusriski vuosilta 2003-2004 Selittävät tekijät: kuntien taustatietoja aiemmilta vuosilta Asukasluku, työttömyysaste, perusterveydenhuollon ja erikoissairaanhoidon nettomenot jne. Lineaarinen regressiomalli bayesilaisittain Havaintomallina Studentin t-jakauma log-riskille Priorina regressiokertoimille Studentin t-jakauma fiksatulla vapausasteella
Kuntarekisteri Kuolleisuusriskin mallintaminen kunnittain 1 0.5 med. for heart disease med. for diabetes unemployment % population med. for hypertension tax rate exp. spec. health care sale of alcoholic exp. prim. health care 0.2 0.1 0 0.1 0.2 0.3 normalised log risk normalised log risk 0 0.5 1 1.5 2 0 2 4 5 entitled to refunds on medicines for heart disease, % 1 0.5 0 0.5 1 1.5 2 4 12 20 28 unemployment, %
Monimuuttuja-analyysi Mallintamisen optiot Lineaarinen vai epälineaarinen malli Additiivinen vai ei-additiivinen kovariaattien vaikutus Selitettävyys vs. tarkkuus Syötevalinta Merkitsevimmät kovariaatit Klusterointi Aliryhmät Optioiden tavoitteena muodostaa yksinkertaisin ilmiötä kuvaava malli, jonka ennustuskyky lähellä täyden mallin ennustuskykyä