Handling Missing Data in Clinical Decision Support

Abstract

Decidir quins són els millors tractaments és una tasca complexa quan els pacients pateixen múltiples problemes i quan un equip multidisciplinari està involucrat en la intervenció. Sempre hi ha més d’una opció de tractament i els resultats a vegades es poden veure en un període curt o un cop finalitzat el tractament. En aquest context, el disseny de sistemes eficaços de suport a la decisió clínica (CDSS) per ajudar als metges a seleccionar les intervencions més apropiades segueix sent avui dia un desafiament.

La quantitat de dades disponibles no sempre és la mateixa per a tots els pacients, especialment en les fases primerenques del tractament, dificultant la inferència en els CDSS. Per millorar les capacitats dels CDSS, es proposen diferents components per als tractaments de llarga durada. Un primer component se centra a millorar la qualitat de les inferències en les dades desconegudes. L’algoritme d’imputació múltiple dinàmica (DMI) es presenta com una metodologia eficaç per a la millora de les dades. DMI és capaç d’adaptar-se a diferents escenaris amb un percentatge alt o baix de dades desconegudes. Els experiments realitzats revelen que DMI és especialment competitiu en problemes de regressió. Un segon component està dedicat a compensar les mesures de confiança, donada la incertesa associada a la informació desconeguda, incorporant mesures d’Informació Mútua en les confiances existents. El tercer component, basat en un algorisme de detecció de comunitats està orientat a trobar relacions entre decisions clíniques que no són explícites. Finalment, per il·lustrar l’aplicabilitat dels diferents components proposats, es presenten dos casos d’ús clínics reals. Un en el context hospitalari i un altre en el context del domicili.

Decidir cuáles son los mejores tratamientos es una tarea compleja cuando los pacientes sufren múltiples problemas y cuando un equipo multidisciplinario está involucrado en la intervención. Siempre hay más de una opción de tratamiento y los resultados a veces se pueden ver en un período corto o al final, una vez finalizado el tratamiento.En este contexto, el diseño de sistemas eficaces de soporte a la decisión clínica (CDSS) para ayudar a los médicos a seleccionar las intervenciones más apropiadas sigue siendo hoy en día un desafío.

La cantidad de datos disponibles no siempre es la misma para todos los pacientes, especialmente en las fases tempranas del tratamiento, lo que dificulta la inferencia en los CDSS. Para mejorar las capacidades de los CDSS, se proponen diferentes componentes para tratamientos a largo plazo. Un primer componente se centra en mejorar la calidad de las inferencias en los datos desconocidos. El algoritmo de imputación múltiple dinámica (DMI) se presenta como un metodología eficaz para la mejora de los datos. DMI es capaz de adaptarse a diferentes escenarios con un porcentaje alto o bajo de datos desconocidos. Los experimentos realizados revelan que DMI es especialmente competitivo en problemas de regresión. Un segundo componente está dedicado a compensar las medidas de confianza, dada la incertidumbre asociada a la información desconocida, incorporando medidas de Información Mutua en las confianzas existentes. El tercer componente basado en un algoritmo de detección de comunidades esta orientado a encontrar relaciones entre decisiones clínicas que no son explícitas. Finalmente, para ilustrar la aplicabilidad de los diferentes componentes propuestos, se presentan dos casos de uso clínico reales. Uno en el contexto hospitalario y otro en el contexto del domicilio.

Deciding which are the best treatments is a complex task when patients suffer multiple impairments and when a multidisciplinary team is involved in the intervention. There is always more than a unique treatment option and the results sometimes can be viewed in a short period or only be capable to be measured when the treatment is finished. In this context, the design of effective Clinical Decision Support Systems (CDSS) to help clinicians to select most appropriate interventions is still a challenge.

The amount of available data is not always the same for all patients, especially in early treatment stages, hindering the inference in CDSS. To improve the capabilities of CDSS, different components are proposed within a CDSS framework for long-term treatments. A first component is focused on improving the quality of the inferences in missing data scenarios. The Dynamic Multiple Imputation (DMI) algorithm is presented as an effective methodology for data enhancement in CDSS. DMI is capable to adapt to different scenarios with a low or high percentage of missing data. Several experiments conducted reveal that DMI is competitive with regression problems. A second component is devoted to weigh confidence measures, given the uncertainty associated to missing information, by incorporating Mutual Information measures in confidence existing estimators. A third component, based on a community detection algorithm, is proposed to find relationships between clinical decisions that are not explicit. Finally, to illustrate the applicability of different proposed components, two real clinical use cases with chronic patients are presented. The first in the hospital context and the other in the home context.