Έμβλημα Πολυτεχνείου Κρήτης
Το Πολυτεχνείο Κρήτης στο Facebook  Το Πολυτεχνείο Κρήτης στο Instagram  Το Πολυτεχνείο Κρήτης στο Twitter  Το Πολυτεχνείο Κρήτης στο YouTube   Το Πολυτεχνείο Κρήτης στο Linkedin

Νέα / Ανακοινώσεις / Συζητήσεις

Παρουσίαση Διπλωματικής Εργασίας κ. Στυλιανού Νικολακάκη - Σχολή ΗΜΜΥ

  • Συντάχθηκε 24-11-2023 12:05 Πληροφορίες σύνταξης

    Ενημερώθηκε: -

    Τόπος:
    Σύνδεσμος τηλεδιάσκεψης
    Έναρξη: 28/11/2023 10:00
    Λήξη: 28/11/2023 11:00

    ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
    Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
    Πρόγραμμα Προπτυχιακών Σπουδών

    ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

    Στυλιανού Νικολακάκη

    με θέμα

    Εξόρυξη δεδομένων από ιατρικές βάσεις δεδομένων και πρόβλεψη θνησιμότητας βάσει μηχανικής μάθησης για φλεβική θρομβοεμβολή, έμφραγμα του μυοκαρδίου και ισχαιμικό εγκεφαλικό επεισόδιο

    Data mining from medical databases and machine learning based mortality prediction for venous thromboembolism, myocardial infarction and ischemic stroke

    Εξεταστική Επιτροπή
    Αναπληρωτής Καθηγητής Σωτήριος Ιωαννίδης (επιβλέπων)
    Καθηγητής Μιχαήλ Λαγουδάκης
    Καθηγητής Μιχαήλ  Ζερβάκης

    Περίληψη

    Οι ασθενείς στη Μονάδα Εντατικής Θεραπείας (ΜΕΘ) που πάσχουν από αρτηριακή ή φλεβική θρόμβωση υποφέρουν από υψηλά ποσοστά θνητότητας. Η πρόβλεψη της θνησιμότητας στη ΜΕΘ είναι μια πρόκληση για την ιατρική, καθώς υπάρχουν διάφορα συστήματα και εργαλεία για αυτόν τον σκοπό. Ωστόσο, η ανεπάρκεια στην ειδικότητα αυτών των συστημάτων αποτελεί πρόβλημα. Η παρούσα μελέτη επικεντρώνεται σε τρεις κύριες ομάδες ασθενών, δηλαδή ασθενείς με θρόμβωση, ισχαιμικό εγκεφαλικό επεισόδιο ή καρδιακή προσβολή. Ο κύριος στόχος είναι η ανάπτυξη και επικύρωση ερμηνεύσιμων μοντέλων Μηχανικής Μάθησης (MΜ) για την πρόβλεψη θνησιμότητας, εκμεταλλευόμενα όλα τα διαθέσιμα δεδομένα που αποθηκεύονται στο ιατρικό φάκελο. Για το σκοπό αυτό, χρησιμοποιήθηκαν αναδρομικά δεδομένα από μία βάση δεδομένων που είναι ελεύθερα προσβάσιμη, την eICU. Εφαρμόστηκαν καθιερωμένοι αλγόριθμοι ΜΜ χρησιμοποιώντας αυτοματοποιημένα και ειδικά κατασκευασμένα πλαίσια ΜΜ για την αντιμετώπιση της ανισορροπίας κλάσεων. Η πρόβλεψη πρόωρης θνησιμότητας παρουσίασε εξαιρετική απόδοση σε όλες τις κατηγορίες νόσων, όσον αφορά την περιοχή κάτω από το καμπύλο χαρακτηριστικών λειτουργίας παραλαβής (AUC-ROC): VTE 0.87, καρδιακή προσβολή 0.95, ισχαιμικό εγκεφαλικό επεισόδιο 0.90. Το προγνωστικό μοντέλο θνησιμότητας που αναπτύχθηκε από 4,385 ασθενείς με VTE περιλάμβανε μια υπογραφή με 475 χαρακτηριστικά, ενώ για τους 10,543 ασθενείς με καρδιακή προσβολή χρησιμοποιήθηκαν 317 χαρακτηριστικά και για τους 4,326 ασθενείς με ισχαιμική εξέταση χρησιμοποιήθηκαν 338 χαρακτηριστικά. Το μοντέλο μας υπερτερεί στην πρόβλεψη θνησιμότητας σε σχέση με τα παραδοσιακά συστήματα σκοράρισης.

    Abstract 

    Intensive care unit (ICU) patients with arterial or venous thrombosis suffer from high mortality rates. Mortality prediction in the ICU has been a major medical challenge for which several scoring systems exist but lack in specificity. This study focuses on three target groups, namely patients with thrombosis, ischemic stroke or myocardial infraction. The main goal is to develop and validate interpretable machine learning (ML) models to predict mortality, while exploiting all available data stored in the medical record. To this end, retrospective data from one freely accessible database, eICU, were used. Well-established ML algorithms were implemented utilizing automated and purposely built ML frameworks for addressing class imbalance. Prediction of early mortality showed excellent performance in all disease categories, in terms of the area under the receiver operating characteristic curve (AUC–ROC ): VTE 0.87, myocardial infraction 0.95, ischemic stroke 0.90. The predictive model of mortality developed from 4,385 VTE patients ended up with a signature of 475 features, 10,543 patients with myocardial infarction using 317 features and 4,326 patients with ischemic testing on 338 features. Our model outperformed traditional scoring systems in predicting mortality.



© Πολυτεχνείο Κρήτης 2012