Authors: | Lanius, Vivian |
Title: | Statistische Extraktion relevanter Information aus multivariaten Online-Monitoring-Daten der Intensivmedizin |
Language (ISO): | de |
Abstract: | In dieser Dissertation wird mit Hilfe multivariater statistischer Verfahren untersucht, wie im Online-Monitoring in der Intensivmedizin klinisch relevante Information aus Beobachtungen für Variablen des Herz-Kreislaufsystems extrahiert werden kann. Insbesondere ist eine Reduktion der erhobenen Daten auf wesentliche Informationen angestrebt. Zur Bearbeitung der Fragestellung werden zunächst dimensionsreduzierende Verfahren für multivariate Zeitreihen, wie Techniken der statischen und dynamischen Faktoranalyse bzw. Hauptkomponentenanalyse, herangezogen und hinsichtlich einer Anwendung im Intensivmonitoring diskutiert. Es wird gezeigt, dass sich die intensivmedizinischen Zeitreihen aufgrund von ausgeprägten strukturellen Mustern, wie Trends, spontanen Niveauänderungen und Ausreißern, global nicht durch ein einziges Modell beschreiben lassen. Faktoranalytische Ansätze sind nicht geeignet, da eine vernünftige Modellanpassung an die Daten nur lokal möglich ist und dabei meist sehr aufwendig ist. Für die Überwachung hochkomplexer physiologischer Vorgänge in Echtzeit werden möglichst einfache Methoden benötigt, die interpretierbare Rückschlüsse auf den Zustand der Patienten ermöglichen. Wenige gemeinsame statische Hauptkomponenten der hämodynamischen Beobachtungen erfassen bei einer guten Interpretierbarkeit einen größeren Anteil der Gesamtvarianz als eine subjektive Variablenselektion, enthalten jedoch nicht notwendigerweise kontinuierlich sämtliche klinisch relevante Information. Einen nützlichen Ansatz zur Informationsextraktion aus multivariaten hämodynamischen Zeitreihen bieten multivariate Signalextraktionsverfahren. In einem ersten Schritt werden hierbei glatte Signale, die die klinisch relevanten Strukturänderungen der Zeitreihen enthalten, von Beobachtungsrauschen und Artefakten getrennt. So werden die aufgezeichneten Monitor-Daten auf wesentliche Informationen reduziert. Aufgrund der diskreten Messung der klinischen Variablen ist eine lokale Anwendung von bekannten, affin äquivarianten und hochrobusten Regressionstechniken auf kleine Stichproben in jedem Zeitfenster im Online-Monitoring nicht möglich. Daher wird eine neue multivariate Signalextraktionsprozedur vorgeschlagen, die für die vorliegenden Daten eine praktikable Lösung darstellt. Die extrahierten Signale geben kontinuierlich Aufschluss über das lokale Niveau der betrachteten Vitalparameter, eine klinisch relevante Information. Zusätzlich können die in den Zeitreihen gefundenen lokalen Strukturen weiter genutzt werden, um schließlich mit Hilfe medizinischen Wissens Aussagen über den Zustand eines Intensivpatienten zu treffen. This doctoral thesis is concerned with online monitoring data from intensive care medicine. The problem under investigation is the extraction of clinically relevant information from haemodynamic vital parameters by means of multivariate statistical methods. First, statistical methods for dimension reduction of multivariate time series, such as static and dynamic factor analysis or principal components analysis, are used. These are discussed with respect to application in intensive care monitoring. Time series in intensive care are found to show strong patterns, like periods of relative constancy, monotonic trends, abrupt level shifts and many measurement artefacts. Thus, global modelling of the data with time-invariant models or parameters is not feasible. Local modelling of the data by dynamic factor models is a complex task that involves a large number of unknown parameters. However, online monitoring of highly complex physiologic processes requires relatively simple methods that allow to draw interpretable conclusions about a patient's health state. Only a few common static principal components are required in order to explain the largest amount of total variability for the haemodynamic observations. Compared to a subjective variable selection these components give a better description of the data while being interpretable to the physician. A drawback is that, locally, these principal components do not necessarily contain all clinically relevant information. A useful approach for the extraction of relevant information from haemodynamic time series is given by methods of multivariate signal extraction. Here, smooth signals that contain the clinically relevant structure are separated from observational noise and artefacts. Thus, the recorded monitoring data are reduced to the relevant information. Robust multivariate regression functionals are needed for local trend approximation in a short moving time window. As the vital parameters are measured on a discrete scale with many patterns of relative constancy, local application of known, affine equivariant and highly robust techniques of regression on small samples is not possible. Therefore, a new procedure is proposed that offers a fast, highly robust and reliable solution for multivariate online signal extraction in intensive care. The resulting signals continuously present the local level of the vital parameters. Additionally, the local patterns found in the time series can be used to decide on the patient's health state by means of clinical knowledge. |
Subject Headings: | Online-Monitoring Zeitreihen Dimensionsreduktion Multivariate Signalextraktion Robust Online monitoring Time series Dimension reduction Multivariate signal extraction Robust |
URI: | http://hdl.handle.net/2003/20170 http://dx.doi.org/10.17877/DE290R-15723 |
Issue Date: | 2005-02-09 |
Provenance: | Universität Dortmund |
Appears in Collections: | Institut für Mathematische Statistik und industrielle Anwendungen |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
Laniusunt.pdf | DNB | 3.74 MB | Adobe PDF | View/Open |
This item is protected by original copyright |
This item is protected by original copyright
rightsstatements.org