Μοντέλα πρόβλεψης θνητότητας με εφαρμογή μηχανικής μάθησης σε ασθενείς με εγκεφαλικό
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 πο...
Αποθηκεύτηκε σε:
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | el_GR |
| Δημοσίευση: |
2023
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/11610/24523 |
| Ετικέτες: |
Προσθήκη ετικέτας
Δεν υπάρχουν, Καταχωρήστε ετικέτα πρώτοι!
|
| Περίληψη: | 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. |
|---|