Identification of Phenotypes in Cardiac Arrest Patient Cohorts
(2021) In Master's Theses in Mathematical Sciences MASM02 20211Mathematical Statistics
- Abstract
- In this thesis, it is analysed if cardiac arrest patients can be grouped into similar clusters based on different underlying conditions and clinical variables and if there is a difference between clusters in either mortality or neurological outcome as measured by the Cerebral Performance Categories (CPC) scale. The two data sets both contain a targeted temperature management variable which indicates whether or not patients are cooled down upon arrival as well as a variety of continuous and categorical variables. Thus, the clustering methods need to be able to handle mixed data. The four methods that are presented in this thesis are Latent Class Analysis, KAMILA, which stands for KAy-means for MIxed LArge data, $k$-prototypes, and... (More)
- In this thesis, it is analysed if cardiac arrest patients can be grouped into similar clusters based on different underlying conditions and clinical variables and if there is a difference between clusters in either mortality or neurological outcome as measured by the Cerebral Performance Categories (CPC) scale. The two data sets both contain a targeted temperature management variable which indicates whether or not patients are cooled down upon arrival as well as a variety of continuous and categorical variables. Thus, the clustering methods need to be able to handle mixed data. The four methods that are presented in this thesis are Latent Class Analysis, KAMILA, which stands for KAy-means for MIxed LArge data, $k$-prototypes, and Partitioning Around Medoids with Gower's distance. These methods are then applied to the two data sets of cardiac arrest patients in order to find underlying phenotypes. For both data sets, when only using the cluster assignment and targeted temperature management variables to predict the binary CPC score, the KAMILA algorithm leads to the best results. Furthermore, there is also a significant difference in CPC score and mortality across the obtained clusters. The evidence suggests that it is not only possible to cluster cardiac arrest patients into different groups based on variables obtained upon admission and the patients' medical history but also that the cooling might be more useful to some clusters than others. (Less)
- Popular Abstract (Swedish)
- När hjärtat slutar slå och inte pumpar blod längre, kallas det för hjärtstopp. Det finns olika orsaker som leder till hjärtstopp så som underliggande hjärtsjukdomar eller ventrikelflimmer. Utan behandling dör patienter som har drabbats av hjärtstopp och även med behandling leder hjärtstopp ofta till död eller neurologiska problem.
Målet med detta arbete är att dela in hjärtstoppspatienter i olika grupper där alla patienter inom samma grupp ska vara så homogena som möjligt medan patienter från olika grupper ska vara så heterogena som möjligt. Detta med avseende på de kliniska variablerna som används för att hitta grupper men även med avseende på mortalitet och neurologiskt utfall.
I detta arbete har två olika dataset använts där... (More) - När hjärtat slutar slå och inte pumpar blod längre, kallas det för hjärtstopp. Det finns olika orsaker som leder till hjärtstopp så som underliggande hjärtsjukdomar eller ventrikelflimmer. Utan behandling dör patienter som har drabbats av hjärtstopp och även med behandling leder hjärtstopp ofta till död eller neurologiska problem.
Målet med detta arbete är att dela in hjärtstoppspatienter i olika grupper där alla patienter inom samma grupp ska vara så homogena som möjligt medan patienter från olika grupper ska vara så heterogena som möjligt. Detta med avseende på de kliniska variablerna som används för att hitta grupper men även med avseende på mortalitet och neurologiskt utfall.
I detta arbete har två olika dataset använts där båda innehåller en blandning av kontinuerliga och kategoriska variabler. En variabel som finns med i båda är den så kallade "targeted temperature management" variabeln som förkortas TTM och indikerar om en patient har kylts ned efter hjärtstoppet. Nedkylning används i hopp om att förbättra överlevnadschanser samt det neurologiska utfallet för patienten. Därför analyseras dödlighet samt neurologisk utfall definierad som värdet på Cerebral Performance Categories (CPC) skalan.
För att få fram gruppindelningen har fyra olika metoder använts. Eftersom det är okänt hur många grupper som faktiskt finns är valideringen av resultaten mycket viktig. Utfallsvariabler såsom patienternas CPC värde är kända och kan användas för valideringen. Gruppindelningen tillsammans med TTM variabeln kan sedan användas för att förutspå patientens neurologiska utfall där utfallet kan vara bra, vilket innebär ett CPC värde mellan 1 och 3, eller dåligt om CPC värdet är 4 eller 5 där 5 betyder att patienten har avlidit.
De fyra olika metoderna leder till olika indelningar där både antalet grupper och indelningen av patienterna varierar. För det första dataset varierar antalet grupper mellan två och sex medan det bara varierar mellan två och tre grupper för det andra dataset. Att dra slutsatser från detta arbete är möjligt eftersom det finns en metod, KAMILA, vars indelning leder till de bästa resultaten för båda dataseten. Skillnader i både mortalitet och neurologisk utfall mellan olika grupper kan observeras när dataseten grupperas med KAMILA. Även prediktionen av patienternas neurologiska utfall leder till lovande resultat där det bland annat tyder på att nedkylningen har större effekt på patienter i vissa grupper. (Less)
Please use this url to cite or link to this publication:
http://lup.lub.lu.se/student-papers/record/9058274
- author
- Lütz, Rebecca LU
- supervisor
- organization
- course
- MASM02 20211
- year
- 2021
- type
- H2 - Master's Degree (Two Years)
- subject
- publication/series
- Master's Theses in Mathematical Sciences
- report number
- LUNFMS-3099-2021
- ISSN
- 1404-6342
- other publication id
- 2021:E44
- language
- English
- id
- 9058274
- date added to LUP
- 2021-07-05 15:46:48
- date last changed
- 2021-07-06 16:27:41
@misc{9058274,
abstract = {{In this thesis, it is analysed if cardiac arrest patients can be grouped into similar clusters based on different underlying conditions and clinical variables and if there is a difference between clusters in either mortality or neurological outcome as measured by the Cerebral Performance Categories (CPC) scale. The two data sets both contain a targeted temperature management variable which indicates whether or not patients are cooled down upon arrival as well as a variety of continuous and categorical variables. Thus, the clustering methods need to be able to handle mixed data. The four methods that are presented in this thesis are Latent Class Analysis, KAMILA, which stands for KAy-means for MIxed LArge data, $k$-prototypes, and Partitioning Around Medoids with Gower's distance. These methods are then applied to the two data sets of cardiac arrest patients in order to find underlying phenotypes. For both data sets, when only using the cluster assignment and targeted temperature management variables to predict the binary CPC score, the KAMILA algorithm leads to the best results. Furthermore, there is also a significant difference in CPC score and mortality across the obtained clusters. The evidence suggests that it is not only possible to cluster cardiac arrest patients into different groups based on variables obtained upon admission and the patients' medical history but also that the cooling might be more useful to some clusters than others.}},
author = {{Lütz, Rebecca}},
issn = {{1404-6342}},
language = {{eng}},
note = {{Student Paper}},
series = {{Master's Theses in Mathematical Sciences}},
title = {{Identification of Phenotypes in Cardiac Arrest Patient Cohorts}},
year = {{2021}},
}