Institutional Repository
Technical University of Crete
Technical University of Crete
EN
|
EL
| URI | http://purl.tuc.gr/dl/dias/95CF8E43-6FDB-4782-A41C-DFAEAC76BB26 | - |
| Identifier | https://doi.org/10.26233/heallink.tuc.104045 | - |
| Language | en | - |
| Extent | 70 pages | el |
| Title | The use of machine learning algorithms in predicting patient outcomes with heart failure | en |
| Title | Η χρήση αλγορίθμων μηχανικής μάθησης στην πρόβλεψη της έκβασης ασθενών με καρδιακή ανεπάρκεια | el |
| Creator | Flourentzou Stavros | en |
| Creator | Φλουρεντζου Σταυρος | el |
| Contributor [Thesis Supervisor] | Ioannidis Sotirios | en |
| Contributor [Thesis Supervisor] | Ιωαννιδης Σωτηριος | el |
| Contributor [Committee Member] | Lagoudakis Michail | en |
| Contributor [Committee Member] | Λαγουδακης Μιχαηλ | el |
| Contributor [Committee Member] | Δανηλάτου Βασιλική | el |
| Contributor [Committee Member] | Danilatou Vasiliki | en |
| Publisher | Πολυτεχνείο Κρήτης | el |
| Publisher | Technical University of Crete | en |
| Academic Unit | Technical University of Crete::School of Electrical and Computer Engineering | en |
| Academic Unit | Πολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών | el |
| Content Summary | The weakening of the heart muscle is a major cause of illness and death all over the world, so there is an immediate need to have precise predictive tools, which can enable doctors to make well-informed decisions and help them to use healthcare resources appropriately. Recent advancements in artificial intelligence and machine learning have improved the capability to predict outcomes in heart failure patients by utilizing numerous and high-resolution healthcare datasets. The research of this diploma thesis considers the application of different types of machine learning algorithms (Logistic Regression, Support Vector Machine, Random Forest, Extreme Gradient Boosting, Light Gradient Boosting Machine, Tabular Transformer) to precisely predict critical outcomes, including intensive care unit (ICU) admission and mortality within the first month of hospitalization. The useful data that these models are using were extracted from a well-known medical database, Medical Information Mart for Intensive Care IV (MIMIC-IV). Experimental results demonstrate that the proposed models effectively predict ICU admissions with high accuracy and robust performance metrics. However, the prediction of mortality within one month after hospitalization demonstrates limited effectiveness due to significant class imbalance, leading to suboptimal performance in area under the curve (AUC) and accuracy. Despite applying class balancing techniques, the model struggles to accurately identify minority class instances. These findings underscore the challenges of class imbalance in prediction problems and the need for more advanced resampling or algorithmic approaches to improve predictive accuracy. The proposed models are designed to improve prognostic accuracy and identify high-risk patients, ultimately contributing to personalized treatment strategies and better healthcare management. | en |
| Content Summary | Η αποδυνάμωση του μυοκαρδίου αποτελεί κύρια αιτία ασθενειών και θανάτων σε όλο τον κόσμο, οπότε υπάρχει άμεση ανάγκη για ακριβή εργαλεία πρόβλεψης που θα επιτρέπουν στους γιατρούς να λαμβάνουν τεκμηριωμένες αποφάσεις οι οποίες θα τους βοηθήσουν να χρησιμοποιήσουν τους πόρους της υγειονομικής περίθαλψης με ορθό τρόπο. Οι πρόσφατες εξελίξεις στην τεχνητή νοημοσύνη και τη μηχανική μάθηση έχουν βελτιώσει την ικανότητα πρόβλεψης αποτελεσμάτων σε ασθενείς με καρδιακή ανεπάρκεια με τη χρήση πολυπληθών και υψηλής ανάλυσης δεδομένων υγειονομικής περίθαλψης. Η έρευνα της παρούσας διπλωματικής εργασίας εξετάζει την εφαρμογή διαφορετικών τύπων αλγορίθμων μηχανικής μάθησης (Logistic Regression, Support Vector Machine, Random Forest, Extreme Gradient Boosting, Light Gradient Boosting Machine, Tabular Transformer) για την ακριβή πρόβλεψη κρίσιμων αποτελεσμάτων, συμπεριλαμβανομένης της εισαγωγής στη μονάδα εντατικής θεραπείας και της θνησιμότητας εντός του πρώτου μήνα νοσηλείας. Τα χρήσιμα δεδομένα που χρησιμοποιούν αυτά τα μοντέλα εξήχθησαν από μια γνωστή ιατρική βάση δεδομένων, τη ιατρική βάση δεδομένων για μονάδα εντατικής θεραπείας IV (MIMIC-IV). Τα πειραματικά αποτελέσματα καταδεικνύουν ότι τα προτεινόμενα μοντέλα προβλέπουν αποτελεσματικά τις εισαγωγές σε μονάδα εντατικής θεραπείας με υψηλή ακρίβεια και ισχυρές μετρήσεις απόδοσης. Ωστόσο, η πρόβλεψη της θνησιμότητας εντός ενός μηνός μετά τη νοσηλεία δεν είναι τόσο αποτελεσματική εξαιτίας της σημαντικής ανισορροπίας των κλάσεων, με αποτέλεσμα μη βέλτιστες επιδόσεις όσον αφορά το εμβαδόν κάτω από την καμπύλη (AUC) και την ακρίβεια. Παρά την εφαρμογή τεχνικών εξισορρόπησης κλάσεων, τα μοντέλα δυσκολεύονται να εντοπίσουν με ακρίβεια περιπτώσεις κλάσεων μειονοτήτων. Αυτά τα ευρήματα υπογραμμίζουν τις προκλήσεις της ανισορροπίας κλάσεων σε προβλήματα πρόβλεψεις και την ανάγκη για πιο προηγμένες προσεγγίσεις αναδειγματοληψίας ή αλγοριθμικές προσεγγίσεις για τη βελτίωση της προγνωστικής ακρίβειας. | el |
| Type of Item | Διπλωματική Εργασία | el |
| Type of Item | Diploma Work | en |
| License | http://creativecommons.org/licenses/by/4.0/ | en |
| Date of Item | 2025-07-18 | - |
| Date of Publication | 2025 | - |
| Subject | Machine learning | en |
| Bibliographic Citation | Stavros Flourentzou, "The use of machine learning algorithms in predicting patient outcomes with heart failure", Diploma Work, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2025 | en |
| Bibliographic Citation | Σταύρος Φλουρέντζου, "Η χρήση αλγορίθμων μηχανικής μάθησης στην πρόβλεψη της έκβασης ασθενών με καρδιακή ανεπάρκεια", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2025 | el |
Copyright © DIAS 2013
