Clustering of radiotherapy patients based on the usage patterns in the Kaiku Health application and electronic patient-reported outcomes

Thumbnail Image

Files

master_Savander_Jannica_2023.pdf (885.5 KB)

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

2023-05-15

Department

Major/Subject

Machine Learning, Data Science and Artificial Intelligence

Mcode

SCI3044

Degree programme

Master’s Programme in Computer, Communication and Information Sciences

Language

en

Pages

60

Series

Abstract

Cancer can be treated with many different methods, but all of them cause side effects that affect the quality of life of the patient. These side effects can be monitored and collected using electronic patient-reported outcomes (ePROs), allowing healthcare professionals to follow the symptoms in real time and take action to improve the patient’s quality of life. Kaiku Health is an application used for collecting ePROs. It also functions as a digital patient companion, providing materials related to the cancer disease and its treatment to the user, and giving possibilities for communicating with the care team. This thesis examines whether Kaiku Health usage data for radiotherapy patients can be grouped using clustering, and what the resulting clusters represent. In this thesis, the application usage data and the ePROs from a dataset of 281 radiotherapy patients are clustered using three different methods: dimensionality reduction using factorial analysis of mixed data (FAMD) and k-means clustering, uniform manifold approximation and projection (UMAP) dimensionality reduction and k-means clustering, as well as hierarchical clustering. According to internal validation indices, the UMAP and k-means clustering performs the best. The resulting clusters from all three clusterings are further analyzed and validated using decision trees and statistical summarization. The best clusters according to expert knowledge, the FAMD and k-means clusters, are finally converted to user groups by summarizing the cluster centroids. Six distinct user groups are found: symptom reporters, support material users, low-activity users, medium-activity users, high-activity users and inactive users. The symptom reporters use mainly the ePRO functionality of Kaiku Health, while the support material users use Kaiku Health as a digital patient companion for finding information and support. The low-, medium-, and high-activity users use both ePROs and support materials but with different intensities. The patient groups can be further used for developing Kaiku Health in a direction that better suits the patient’s needs, in order to provide better cancer care for them.

Cancer kan behandlas med flera metoder, men alla orsakar biverkningar som påverkar patientens livskvalitet. Biverkningarna kan följas och samlas in med hjälp av elektroniskt insamlade patientrapporterade utfall (ePRO), som ger vårdpersonal möjlighet att följa med symptomen i realtid och ta till åtgärder för att förbättra patientens livskvalitet. Kaiku Health är en applikation för att samla in patientrapporterade utfall. Den fungerar på samma gång som en digital följeslagare för patienten genom att erbjuda stödmaterial om cancersjukdomen och dess behandling, samt en möjlighet att kommunicera med det egna vårdteamet. Det här arbetet undersöker ifall vi kan gruppera strålningbehandlingspatienter i Kaiku Health baserat på deras användardata med hjälp av klustring, och vad klustren i så fall representerar. I det här arbetet analyseras ett dataset bestående av användningsinformation och patientrapporterade utfall från 281 strålningsbehandlingspatienter med tre klustringsmetoder: k-means-algoritmen kombinerad med FAMD- och UMAP-dimensionalitetsreduktion, och hierarkisk klusteranalys. UMAP- och k-means-klustringen är den bästa klustringen enligt interna valideringsmått. Klustren analyseras vidare och valideras med beslutsträd och statistisk sammanfattning. FAMD- och k-means-klustringen är bäst enligt expertkunskap. Genom att sammanfatta klustercentroiderna omvandlas den slutligen till sex användargrupper: symptomrapporterare, stödmaterialsanvändare, lågaktiva användare, medelaktiva användare, högaktiva användare och inaktiva användare. Symptomrapporterarna använder främst de patientrapporterade utfallen, medan stödmaterialsanvändarna använder Kaiku Health som en digital följeslagare för att hitta information och stöd. De låg-, medel- och högaktiva användarna använder både de patientrapporterade utfallen och stödmaterialet, men med olika intensitet. Den klustring som bäst överensstämmer med användargrupperna är FAMD och k-means-klustringen, men samma användargrupper kan ändå identifieras med alla tre klustringsmetoder. Patientgrupperna kan i framtiden användas för att utveckla Kaiku Health i en riktning som bättre passar patienternas behov, för att kunna erbjuda dem bättre cancervård.

Description

Supervisor

Aledavood, Talayeh

Thesis advisor

Lehtomäki, Riku

Keywords

clustering, electronic patient-reported outcomes, cancer treatment, radiotherapy

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202305213346

Collections

[dipl] Perustieteiden korkeakoulu / SCI