Πρόβλεψη θνητότητας σε ασθενείς με έμφραγμα του μυοκαρδίου χρησιμοποιώντας αλγορίθμους μηχανικής μάθησης
Η ιλιγγιώδης εξέλιξη της τεχνολογίας, με πληθώρα νέων ανακαλύψεων και καινοτομιών σε όλους τους τομείς και κυρίως στο χώρο της ιατρικής επιστήμης, είναι εμφανής στην καθημερινή μας ζωή. Εντούτοις, η ανθρωπότητα σήμερα συνεχίζει να βρίσκεται αντιμέτωπη με σοβαρά προβλήματα υγείας τα οποία ευθύνονται...
Αποθηκεύτηκε σε:
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | el_GR |
| Δημοσίευση: |
2023
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/11610/25351 |
| Ετικέτες: |
Προσθήκη ετικέτας
Δεν υπάρχουν, Καταχωρήστε ετικέτα πρώτοι!
|
| _version_ | 1828460822191407104 |
|---|---|
| author | Τασούλης, Δημήτριος |
| author2 | Κωστούλας, Θεόδωρος |
| author_sort | Τασούλης, Δημήτριος |
| collection | DSpace |
| description | Η ιλιγγιώδης εξέλιξη της τεχνολογίας, με πληθώρα νέων ανακαλύψεων και καινοτομιών σε όλους τους τομείς και κυρίως στο χώρο της ιατρικής επιστήμης, είναι εμφανής στην καθημερινή μας ζωή. Εντούτοις, η ανθρωπότητα σήμερα συνεχίζει να βρίσκεται αντιμέτωπη με σοβαρά προβλήματα υγείας τα οποία ευθύνονται για χιλιάδες ή και εκατομμύρια θανάτους ετησίως σε παγκόσμιο επίπεδο. Προβλήματα, όπως ένα εγκεφαλικό επεισόδιο ή ένα έμφραγμα του μυοκαρδίου, αντιμετωπίζουν καθημερινά χιλιάδες άνθρωποι ανά τον κόσμο. Για το λόγο αυτό, μέσα από την παρούσα αυτή διπλωματική εργασία γίνεται μία προσπάθεια να βρεθεί ένας τρόπος μείωσης τόσο των θανάτων όσο και των σοβαρών περιστατικών μέσω της έγκαιρης διάγνωσης της εξέλιξης των ασθενών. Σκοπός της εργασίας είναι η πρόβλεψη της θνητότητας των ασθενών με έμφραγμα του μυοκαρδίου κατά τη νοσηλεία τους σε ΜΕΘ. Για την επίτευξη αυτού του σκοπού αντλήθηκαν ιατρικά δεδομένα ασθενών από τη βάση δεδομένων MIMIC IV και με κατάλληλη επεξεργασία μέσω της γλώσσας προγραμματισμού python, δημιουργήθηκε ένας πίνακας ο οποίος περιελάμβανε όλους τους υπό εξέταση ασθενείς και τις αντίστοιχες εξετάσεις στις οποίες υποβλήθηκαν για κάθε οχτάωρο νοσηλείας τους στη ΜΕΘ. Τα νέα αυτά επεξεργασμένα δεδομένα καταχωρήθηκαν στο λογισμικό WEKA και με τη βοήθεια αλγορίθμων μηχανικής μάθησης αξιολογήθηκαν και συγκρίθηκαν τα αποτελέσματα. Μέσα από την εκτέλεση πέντε συνολικά αλγορίθμων, ο αλγόριθμος Bayesian Network ήταν αυτός που ξεχώρισε εμφανίζοντας την καλύτερη αποδοτικότητα με τιμή της μετρικής Area Under the Curve ROC (AUC) 0,764 και αρκετά υψηλές τιμές σε όλες τις υπόλοιπες μετρικές, ενώ και ο αλγόριθμος Logistic Model Tree εμφάνισε αρκετά ικανοποιητική απόδοση. Μέσα από τη συγκριτική αξιολόγηση των μετρήσεων – εξετάσεων που παίζουν σημαντικότερο ρόλο στην πρόβλεψη της θνητότητας των ασθενών, συναντήσαμε στην πρώτη δεκάδα την Κλίμακα Κώματος της Γλασκώβης και την Κλίμακα Braden. Το προγνωστικό αυτό μοντέλο που δημιουργήθηκε δύναται να συνεισφέρει στην επιβοήθηση του έργου του ιατρικού προσωπικού των ΜΕΘ των νοσοκομείων, καθώς μπορεί να προβλέψει σε πολύ ικανοποιητικό επίπεδο τη θνητότητα των ασθενών που νοσηλεύονται με έμφραγμα μυοκαρδίου σε ΜΕΘ και ως εκ τούτου να μειώσει τους θανάτους παγκοσμίως από αυτό το σοβαρότατο νόσημα. |
| id | oai:hellanicus.lib.aegean.gr:11610-25351 |
| institution | Hellanicus |
| language | el_GR |
| publishDate | 2023 |
| record_format | dspace |
| title | Πρόβλεψη θνητότητας σε ασθενείς με έμφραγμα του μυοκαρδίου χρησιμοποιώντας αλγορίθμους μηχανικής μάθησης |
| topic | έμφραγμα μυοκαρδίου πρόβλεψη θνητότητας αλγόριθμοι μηχανικής μάθησης myocardial infarction mortality prediction machine learning algorithms Machine learning Mortality -- Forecasting Myocardial infarction |
| url | http://hdl.handle.net/11610/25351 |
| work_keys_str_mv | AT tasoulēsdēmētrios problepsēthnētotētasseastheneismeemphragmatoumyokardiouchrēsimopoiōntasalgorithmousmēchanikēsmathēsēs |