Μηχανική οντολογιών και προσωπικών Γράφων Γνώσης για την παρακολούθηση ασθενών με Πάρκινσον

Abstract

Στον τομέα της έρευνας για τη νόσο του Πάρκινσον (PD – Parkinson Disease), η συγχώνευση δεδομένων που συλλέγονται από αισθητήρες φορητών συσκευών (Wearables), π.χ., έξυπνα ρολόγια, με προσωπικά αρχεία υγείας (PHR - Personal Health Records) έχει αναδειχθεί ως σημαντικός τρόπος παρακολούθησης και ειδοποίησης ασθενών/γιατρών. Αυτή η διπλωματική εμβαθύνει στον περίπλοκο τομέα της φροντίδας ασθενών με PD, με έμφαση στην αξιοποίηση των δυνατοτήτων των φορητών συσκευών να συλλέγουν, να αναπαριστούν και να αναλύουν σημασιολογικά βασικά δεδομένα κίνησης. Ο πρωταρχικός στόχος αυτής της ερευνητικής εργασίας είναι να βελτιώσει την αξιολόγηση ασθενών με PD μέσω της δημιουργίας μιας επεκτάσιμης βάσης γνώσης για εξατομικευμένες γνώσεις υγείας. Αυτό επιτυγχάνεται μέσω της ανάπτυξης Γράφων Γνώσης Προσωπικής Υγείας (PHKG - Personal Health Knowledge Graphs) και της χρήσης Νευρωνικών Δικτύων (PHGNNs - Personal Health Graph Neural Networks) που αξιοποιούν το PHKG. Ο στόχος είναι να τυποποιηθεί η αναπαράσταση συνδεμένων δεδομένων, συμπεριλαμβανομένων δεδομένων αισθητήρων και δεδομένων PHR, σε υψηλότερα επίπεδα αφαίρεσης, ειδικά σε ένα PHKG. Αυτό διευκολύνει τη διαλειτουργικότητα και υποστηρίζει την αναγνώριση συμβάντων υψηλού επιπέδου βάσει κανόνων (rule-based high-level event recognition), όπως για παράδειγμα η ανίχνευση του πότε ένας ασθενής χάνει μια δόση ή πότε έχει πέσει. Επιπρόσθετα, η παρούσα διπλωματική παρέχει μια λεπτομερή περιγραφή της οντολογίας Wear4PDmove που αναπτύχθηκε στο πλαίσιο της εργασίας αυτής, και αξιολογεί την αποτελεσματικότητά της στην ανάπτυξη ενός πειραματικού PHKG. Επιπλέον, η διπλωματική εστιάζει στην ενσωμάτωση και αξιολόγηση του PHKG για την υλοποίηση PHGNN. Αυτή η εργασία υπογραμμίζει τη σημασία της ενσωμάτωσης δεδομένων που σχετίζονται με το PD για την αποτελεσματική παρακολούθηση και ειδοποίηση των ασθενών/γιατρών με κατάλληλο τρόπο. Αυτές οι ειδοποιήσεις παρέχουν στους εμπειρογνώμονες υγείας ακριβείς και έγκαιρες πληροφορίες για τη συνεχή αξιολόγηση προσωπικών γεγονότων που σχετίζονται με την υγεία, ενισχύοντας τελικά τη φροντίδα των ασθενών και υποστηρίζοντας την καλά ενημερωμένη λήψη ιατρικών αποφάσεων. Συμπερασματικά, αυτή η διπλωματική προτείνει μια νέα προσέγγιση για την ενσωμάτωση PHKG και PHGNNs για τη βελτίωση των λύσεων παρακολούθησης και προειδοποίησης ασθενών με PD.

In the realm of Parkinson's Disease (PD) research, the fusion of wearable sensor data with personal health records (PHR) has emerged as a pivotal avenue for patient monitoring and alerting. This thesis delves into the intricate domain of PD patient care, with a specific focus on harnessing the potential of wearable sensors to capture, represent, and semantically analyze essential movement data and knowledge. The primary objective of this research thesis is to improve the assessment of PD patients by establishing a robust foundation for personalized health insights. This is achieved through the development of Personal Health Knowledge Graphs (PHKG) and the utilization of Personal Health Graph Neural Networks (PHGNNs) that leverage the PHKG. The aim is to formalize the representation of integrated data, including unified sensor and PHR data, at higher levels of abstraction, specifically within a PHKG. This facilitates interoperability and supports rule-based high-level event recognition, such as detecting when a patient misses a dose or experiences a fall. Additionally, this thesis provides a detailed exploration of the Wear4PDmove ontology and evaluates its effectiveness in developing an experimental PHKG. Additionally, the thesis focuses on the integration and assessment of PHKG within the implementation of PHGNNs. This work underscores the significance of integrating PD-related data to effectively monitor and alert patients with appropriate notifications. These notifications furnish health experts with precise and timely information for the continuous evaluation of personal health-related events, ultimately enhancing patient care and supporting well-informed medical decision-making. In conclusion, this thesis proposes a novel approach for the integration of PHKGs and PHGNNs to enhance PD monitoring and alerting solutions.