Αναζήτηση

Πλοήγηση

• Κοινότητες
• Συγγραφείς
• Έτος
• Τίτλοι
• Θέματα

Ο Χώρος μου

• Είσοδος

Η χρήση αλγορίθμων μηχανικής μάθησης στην πρόβλεψη της έκβασης ασθενών με καρδιακή ανεπάρκεια

Flourentzou Stavros

Πλήρης Εγγραφή

---

Περίληψη

Η αποδυνάμωση του μυοκαρδίου αποτελεί κύρια αιτία ασθενειών και θανάτωνσε όλο τον κόσμο, οπότε υπάρχει άμεση ανάγκη για ακριβή εργαλείαπρόβλεψης που θα επιτρέπουν στους γιατρούς να λαμβάνουν τεκμηριωμένεςαποφάσεις οι οποίες θα τους βοηθήσουν να χρησιμοποιήσουν τους πόρους τηςυγειονομικής περίθαλψης με ορθό τρόπο. Οι πρόσφατες εξελίξεις στην τεχνητήνοημοσύνη και τη μηχανική μάθηση έχουν βελτιώσει την ικανότητα πρόβλεψηςαποτελεσμάτων σε ασθενείς με καρδιακή ανεπάρκεια με τη χρήσηπολυπληθών και υψηλής ανάλυσης δεδομένων υγειονομικής περίθαλψης. Ηέρευνα της παρούσας διπλωματικής εργασίας εξετάζει την εφαρμογήδιαφορετικών τύπων αλγορίθμων μηχανικής μάθησης (Logistic Regression,Support Vector Machine, Random Forest, Extreme Gradient Boosting, LightGradient Boosting Machine, Tabular Transformer) για την ακριβή πρόβλεψηκρίσιμων αποτελεσμάτων, συμπεριλαμβανομένης της εισαγωγής στη μονάδαεντατικής θεραπείας και της θνησιμότητας εντός του πρώτου μήνα νοσηλείας.Τα χρήσιμα δεδομένα που χρησιμοποιούν αυτά τα μοντέλα εξήχθησαν από μιαγνωστή ιατρική βάση δεδομένων, τη ιατρική βάση δεδομένων για μονάδαεντατικής θεραπείας IV (MIMIC-IV). Τα πειραματικά αποτελέσματακαταδεικνύουν ότι τα προτεινόμενα μοντέλα προβλέπουν αποτελεσματικά τιςεισαγωγές σε μονάδα εντατικής θεραπείας με υψηλή ακρίβεια και ισχυρέςμετρήσεις απόδοσης. Ωστόσο, η πρόβλεψη της θνησιμότητας εντός ενός μηνόςμετά τη νοσηλεία δεν είναι τόσο αποτελεσματική εξαιτίας της σημαντικήςανισορροπίας των κλάσεων, με αποτέλεσμα μη βέλτιστες επιδόσεις όσοναφορά το εμβαδόν κάτω από την καμπύλη (AUC) και την ακρίβεια. Παρά τηνεφαρμογή τεχνικών εξισορρόπησης κλάσεων, τα μοντέλα δυσκολεύονται ναεντοπίσουν με ακρίβεια περιπτώσεις κλάσεων μειονοτήτων. Αυτά τα ευρήματαυπογραμμίζουν τις προκλήσεις της ανισορροπίας κλάσεων σε προβλήματαπρόβλεψεις και την ανάγκη για πιο προηγμένες προσεγγίσειςαναδειγματοληψίας ή αλγοριθμικές προσεγγίσεις για τη βελτίωση τηςπρογνωστικής ακρίβειας.

Διαθέσιμα αρχεία

Υπηρεσίες