Cluster analysis of cancer patients’ initial session patterns in a patient portal application

Thumbnail Image

Files

master_Weiss_Michaela_2024.pdf (1.19 MB)

URL

Journal Title

Journal ISSN

Volume Title

Perustieteiden korkeakoulu | Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.

Authors

Date

2024-05-20

Department

Major/Subject

Bioinformatics and Digital Health

Mcode

SCI3092

Degree programme

Master’s Programme in Life Science Technologies

Language

en

Pages

57

Series

Abstract

The rising number of cancer patients creates a need for more efficient follow-up of cancer treatment as well as communication between cancer patients and their healthcare providers. Digital patient portals can provide improved care by giving patients access to their health records and communication with their care team. However, actual usage of different digital patient portals has shown variability, and the initial perception of a patient portal may affect further continued use. This thesis examines whether the user patterns of patients’ initial sessions on the Kaiku Health patient portal, a portal dedicated to patients under cancer treatment, can be divided into groups and interpreted using clustering. The clustering task aims to increase the understanding of the patient users. In this thesis, transactional log data are used to identify the initial sessions of 444 patients and clustered using four different approaches: Hierarchical clustering based on Gower’s distance, hierarchical clustering based on cosine distance, dimensionality reduction using factorial analysis of mixed data (FAMD) and k-means clustering as well as uniform manifold approximation and projection (UMAP) dimensionality reduction and k-means clustering. According to internal validation indices, the best result is the UMAP-based k-means clustering result. All four clustering results are analyzed and validated using decision trees, statistical summation, and visual inspection. The FAMD-based k-means clustering result is determined to produce the best clusters using domain knowledge. These clusters are transformed into user groups by summarizing the cluster centroids. Five distinct user groups are observed: fast mobile browser users, no-feature users, notification enablers and result viewers, message-using multi-feature users, and late registered super users. The user groups show distinct differences in the activity after the initial sign-in. Still, there are no signs of unfocused and nonstrategic use when the Kaiku Health patient portal is used for the first time. Hence, findings like this increase the understanding of the patient users and contribute to developing the portal.

Det ökade antalet cancerpatienter skapar ett behov av en mer effektiv uppföljning av cancerbehandling samt kommunikation mellan cancerpatienter och deras vårdgivare. Digitala patientportaler kan erbjuda förbättrad vård genom att ge patienten tillgång till sina journaler och möjliggöra kommunikation mellan patienten och patientens vårdteam. Dock har den verkliga användningen av patientportaler visat sig vara varierande, och det första intrycket av en patientportal kan ha en inverkan på fortsatt användning av portalen. Denna avhandling undersöker huruvida patienter kan grupperas baserat på sina användarmönster vid första inloggningen på Kaiku Health portalen, en portal för uppföljning av patienter under cancerbehandling. Dessutom tolkas vad dessa grupper representerar. Syftet med arbetet är att öka förståelsen för patientanvändare genom analysen. I det här arbetet analyseras transaktionsloggsdata för att identifiera den första inloggnings-sessionen för 444 patientanvändare. Inloggnings-sessionerna grupperas med hjälp av fyra olika klustringsmetoder: Hierarkisk klusteranalys baserad på Gowers distans, hierarkisk klusteranalys baserad på cosinusdistans samt k-means algoritmen kombinerad med FAMD-dimensionalitetsreduktion och k-means algoritmen kombinerad med UMAP-dimensionalitetsreduktion. Enligt interna valideringsmått är den bästa klustringen UMAP-baserad k-means klustringen. Alla fyra klustringsresultat analyseras och valideras med beslutsträd, statistisk sammanfattning och visuell inspektion. Klustringsresultatet baserat på FAMD-baserad k-means klustring är bäst enligt expertkunskap. Denna metods kluster omvandlas till användargrupper baserat på en sammanfattning av klustercentroiderna. Fem olika användargrupper identifieras: snabba mobil-webbläsare användare, inga-funktioners användare, notifikations-aktiverande och resultat-uppföljande användare, meddelande-användande flerfunktions användare samt sent registrerade superanvändare. Användargrupperna uppvisar tydliga skillnader i aktivitet efter första inloggningen, men det finns inga tecken på ofokuserad och ostrategisk användning när Kaiku Health portalen används för första gången. Dessa resultat kan öka förståelsen för hur patienter upplever patientportalen och bidra till utvecklingen av denna.

Description

Supervisor

Aledavood, Talayeh

Thesis advisor

Parkkila, Anni

Keywords

clustering, digital patient portal, user pattern, initial sign-in, cancer treatment

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202405263680

Collections

[dipl] Perustieteiden korkeakoulu / SCI