Μοντέλα πρόβλεψης θνητότητας με εφαρμογή μηχανικής μάθησης σε ασθενείς με εγκεφαλικό

 
This item is provided by the institution :

Repository :
Institutional Repository Hellanicus
see the original item page
in the repository's web site and access all digital files if the item*
share





Μοντέλα πρόβλεψης θνητότητας με εφαρμογή μηχανικής μάθησης σε ασθενείς με εγκεφαλικό (EL)

Δημόπουλος, Δημήτριος

aegean

Η συγκεκριμένη μελέτη στοχεύει στην δημιουργία και ανάλυση μοντέλων μηχανικής μάθησης τα οποία έχουν τροφοδοτηθεί με ιατρικά δεδομένα. Ο στόχος που επιδιώκετε με την υλοποίηση αυτής της έρευνας πέρα από την δημιουργία των μοντέλων, καθώς και της εφαρμογής της πρόβλεψης, είναι η επικαιροποίηση των ποσοστών θνησιμότητας σε ασθενείς που πάσχουν από ισχαιμικό εγκεφαλικό. Ο λόγος ύπαρξης της εν λόγω εργασίας είναι να μπορέσει να καταστεί δυνατό μέσω της έγκαιρης πρόβλεψης η εφαρμογή της αποτελεσματικότερης κατανομής τόσο των έμψυχων όσο και άψυχων ιατρικών πόρων στις Μονάδες Εντατικής Θεραπείας (ΜΕΘ). Η πρόβλεψη θνησιμότητας μέσα στις ΜΕΘ αποτελούσε και εξακολουθεί να αποτελεί πρόκληση για το ιατρικό προσωπικό που στελεχώνει τις ΜΕΘ, ειδικότερα την περίοδο της πανδημίας Covid 19 που διανύουμε και αποτέλεσε εφαλτήριο αυτής της έρευνας. Για την επίτευξη της δημιουργίας και ανάλυσης των μοντέλων έχει συλλεχθεί και αναλυθεί ένας τεράστιος όγκος πληροφοριών που φιλοξενούνται στα ηλεκτρονικά βιβλιάρια υγείας ασθενών. Τα ιατρικά δεδομένα που αποτελούνται ποικιλότροπος τόσο από κλινικές όσο και εργαστηριακές πληροφορίες ταξινομήθηκαν χρονικά μέσα στις εισαγωγές των ασθενών και ομαδοποιήθηκαν μέσα στα οχτάωρα της νοσηλείας στις ΜΕΘ. Η ομαδοποίηση αυτή αποσκοπούσε στην ισορροπημένη επίτευξη της βέλτιστης πρόβλεψης, στον ελάχιστο χρόνο, αξιοποιώντας τον μεγαλύτερο δυνατό όγκο δεδομένων. Για την πειραματική αυτή διαδικασία αξιοποιήθηκε κάτω από κατάλληλες άδειες χρήσης που παραχωρήθηκαν από θυγατρική του Ινστιτούτου Τεχνολογίας της Μασαχουσέτης (MIT) η βάση δεδομένων MIMIC IV. Τα αποτελέσματα που προκύπτουν από την χρήση των μοντέλων μηχανικής μάθησης υποδεικνύουν επαρκή ικανότητα πρόβλεψης από το τέλος της πρώτης κιόλας μέρας νοσηλείας του ασθενούς στην ΜΕΘ. Από τα διαγράμματα ROC προκύπτει ότι τις πρώτες τέσσερις ημέρες νοσηλείας στις ΜΕΘ, απόδοση του μοντέλου παράγει τιμές της τάξεως του 74% από το τέλος της πρώτης κιόλας ημέρας και κάτι περισσότερο από 77% στη δεύτερη.
This examination aims to create and analyze machine-learning models, which have been fed with medical data. The goal of this research is to update the mortality rates in patients with ischemic stroke, in addition to creating models and implementing the prediction. The reason for the existence of this work is to be able through timely forecasting to implement the most efficient distribution of both animate and inanimate medical resources in the Intensive Care Units (ICU). Predicting mortality in ICUs has been and continues to be a challenge for the medical staff staffing ICUs, especially during the Covid 19 pandemic that we are going through and has been the springboard for this research. To achieve the creation and analysis of the models, a huge amount of information has been collected and analyzed, which are hosted in the electronic patient health booklets. Medical data consisting of a variety of both clinical and laboratory information were classified over time in patients' admissions and grouped within the eight hours of ICU treatment. This grouping was aimed at achieving a balanced optimal forecast, in the shortest time, utilizing the largest possible volume of data. The MIMIC IV database was used for this experimental process under appropriate licenses granted by a subsidiary of the Massachusetts Institute of Technology (MIT). The results obtained from the use of the machine learning models indicate a sufficient ability to predict from the end of the very first day of hospitalization of the patient in the ICU. ROC charts show that during the first four days of ICU treatment, the model yields values of 74% from the end of the first day and just over 77% after the end of the second.

masterThesis

μοντέλα πρόβλεψης θνητότητας (EN)
mimic_iv (EN)
μηχανική μάθηση (EN)
mortality prediction (EN)
icu (EN)
machine learning (EN)
τεχνητή νοημοσύνη (EN)
ischemic stroke (EN)
artificial intelligence (EN)


2022-06-22


2023-01-17T06:26:32Z

Σάμος




*Institutions are responsible for keeping their URLs functional (digital file, item page in repository site)