Identifying Interesting Episode Patterns in User Interaction Log Data

Abstract

Introduction: Axel Encounter is a patient flow management system that helps patients and healthcare professionals to be at the right place at the right time, while reducing burden of routine tasks and making the experience smooth. In this thesis project, we developed an episode mining framework and used it to analyze how healthcare professionals interact with the system. Methods: We used the framework to discover episodes and episode rules in user interaction log data from six healthcare organizations. The framework was based on an enhanced version of the Winepi algorithm. We used goodness measures that rank episode rules based on statistical dependence, addressing shortcomings of the previously used measure. We pruned superfluous rules that provided no information not provided by a simpler rule. We proved that some episodes can only be involved in superfluous rules, giving a novel way to prune the search space. Results: We discovered episode rules that provided practically relevant information. All goodness measures should be considered, noting their advantages and disadvantages. Pruning reduced the number of discovered rules vastly and provided a large performance boost, which made the results easier to interpret and the experiments feasible. Conclusions: Episode mining is a viable method for analyzing log data. Suitable goodness measures and pruning are important for discovering rules that are easy to interpret. We propose further improvements, such as pruning more aggressively, and extending goodness measures and pruning methods to work with more general definitions of episodes and episode rules. We discuss issues of frequency-based episode mining.

Johdanto: Axel Encounter on potilasvirran hallintajärjestelmä. Se auttaa potilaita ja terveydenhuollon ammattilaisia löytämään oikeaan paikkaan oikeaan aikaan, keventäen rutiinitehtävistä johtuvaa kuormitusta sekä tehden kokemuksesta sujuvan. Tässä diplomityöprojektissa kehitimme episodinlouhintakehyksen ja käytimme sitä analysoidaksemme, miten terveydenhuollon ammattilaiset vuorovaikuttavat järjestelmän kanssa. Menetelmät: Käytimme episodinlouhintakehystä löytääksemme episodeja ja episodisääntöjä käyttäjävuorovaikutuslokeissa, jotka kerättiin kuudelta terveydenhuollon järjestäjältä. Kehys pohjautui paranneltuun versioon Winepi-algoritmista. Käytimme tilastolliseen riippuvuuteen perustuvia hyvyysmittoja määrittääksemme episodisäännöille sijoitukset, ratkaisten aiemmin käytetyn mitan ongelmia. Karsimme tarpeettomia sääntöjä, joiden antama tieto oli kokonaisuudessaan pääteltävissä yksinkertaisemmista säännöistä. Lisäksi todistimme, että tietyt episodit voivat olla osallisina vain tarpeettomissa säännöissä. Tästä seuraa uusi keino karsia hakuavaruutta. Tulokset: Löysimme episodisääntöjä, jotka antoivat käytännössä relevanttia tietoa. Kaikki hyvyysmitat tulee ottaa huomioon, pitäen kunkin hyvät ja huonot puolet mielessä. Karsinta vähensi löydettyjen sääntöjen määrää ja tehosti laskentaa roimasti, mikä helpotti tulosten tulkintaa ja mahdollisti kokeiden toteuttamisen. Johtopäätökset: Episodinlouhinta on käyttökelpoinen menetelmä lokidatan analysointiin. Soveltuvat hyvyysmitat ja karsiminen ovat tärkeitä helposti tulkittavien sääntöjen löytämiseksi. Jatkokehitykseksi ehdotamme esimerkiksi aggressiivisempaa karsintaa, sekä hyvyysmittojen ja karsintamenetelmien kehittämistä toimimaan yleisempien episodi- ja episodisääntömääritelmien kanssa. Keskustelemme frekvenssipohjaiseen episodinlouhintaan liittyvistä ongelmista.