Publication: Application of Machine Learning Algorithms for Bipolar Disorder Crisis Prediction
Loading...
Files
Official URL
Full text at PDC
Publication Date
2018
Authors
Advisors (or tutors)
Editors
Journal Title
Journal ISSN
Volume Title
Publisher
Citations
Exportar
Abstract
Bipolar Disorder is a complex disorder that affects millions of people in the world. It is our belief that with the use of Big Data and Machine Learning we can help both patients and doctors make a better diagnosis of this illness.
The goal of this project is to apply different Machine Learning algorithms to symptom-based patient data in order to help create a prediction model. This model would make it easier for psychiatrists to decide whether their patients might be tending towards a depression or mania episode, or staying in a euthymic state.
The first part of the project consists in the process of gathering, cleaning and visualizing data from patients with Bipolar Disorder. It includes an exhaustive analysis of the data preparation which contains code snippets and plots that help understand the data better and observe the possible relationships and dependencies between them.
The second part includes the predictive analysis of the data. In this part, different Machine Learning algorithms are analysed and applied to the patient data in order to compare prediction accuracies and select the algorithms that suit the problem the most.
The main conclusion from the project is that in order to develop a predictive model with an acceptable level of confidence, it is essential to have both an understanding of the data that is being used and the theory regarding each algorithm that is applied, as well as having enough data for the algorithms to work with.
El Trastorno Bipolar es un trastorno complejo que afecta a millones de personas en todo el mundo. Creemos que con el uso del Big Data y el Machine Learning podemos ayudar tanto a pacientes como a médicos a hacer un mejor diagnóstico de esta enfermedad. El objetivo de este proyecto es aplicar diferentes algoritmos de Machine Learning a datos sintomáticos de pacientes para ayudar a crear un modelo de predicción. Este modelo facilitarÃa a los psiquiatras la posibilidad de evaluar si sus pacientes están tendiendo hacia un episodio de depresión o manÃa, o si se mantendrán en un estado eutÃmico. La primera parte del trabajo consiste en el proceso de recolección, limpieza y visualización de datos de pacientes con Trastorno Bipolar. Contiene un análisis exhaustivo de la preparación de los datos que incluye fragmentos de código y gráficas que permiten entender mejor los datos y observar las posibles relaciones y dependencias que puede haber entre ellos. La segunda parte incluye el análisis predictivo de los datos. En esta parte se aplican distintos algoritmos de Machine Learning para comparar su precisión y de esta manera poder elegir los algoritmos que mejor se adecúan al problema. La principal conclusión del proyecto es que para desarrollar un modelo predictivo con un nivel de confianza aceptable, es esencial entender tanto los datos que se están usando, como la teorÃa relacionada con cada uno de los algoritmos que se aplica, asà como tener suficientes datos para que los algoritmos funcionen correctamente.
El Trastorno Bipolar es un trastorno complejo que afecta a millones de personas en todo el mundo. Creemos que con el uso del Big Data y el Machine Learning podemos ayudar tanto a pacientes como a médicos a hacer un mejor diagnóstico de esta enfermedad. El objetivo de este proyecto es aplicar diferentes algoritmos de Machine Learning a datos sintomáticos de pacientes para ayudar a crear un modelo de predicción. Este modelo facilitarÃa a los psiquiatras la posibilidad de evaluar si sus pacientes están tendiendo hacia un episodio de depresión o manÃa, o si se mantendrán en un estado eutÃmico. La primera parte del trabajo consiste en el proceso de recolección, limpieza y visualización de datos de pacientes con Trastorno Bipolar. Contiene un análisis exhaustivo de la preparación de los datos que incluye fragmentos de código y gráficas que permiten entender mejor los datos y observar las posibles relaciones y dependencias que puede haber entre ellos. La segunda parte incluye el análisis predictivo de los datos. En esta parte se aplican distintos algoritmos de Machine Learning para comparar su precisión y de esta manera poder elegir los algoritmos que mejor se adecúan al problema. La principal conclusión del proyecto es que para desarrollar un modelo predictivo con un nivel de confianza aceptable, es esencial entender tanto los datos que se están usando, como la teorÃa relacionada con cada uno de los algoritmos que se aplica, asà como tener suficientes datos para que los algoritmos funcionen correctamente.
Description
Universidad Complutense, Facultad de Informática, curso 2017/2018