Ιδρυματικό Αποθετήριο [SANDBOX]
Πολυτεχνείο Κρήτης
EN  |  EL

Αναζήτηση

Πλοήγηση

Ο Χώρος μου

Εφαρμογή προσαρμοστικού νευρωνκού-ασαφούς αλγορίθμου συμπερασμού για διάγνωση σε ιατρικά προβλήματα

Baroutis Nikolaos

Πλήρης Εγγραφή


URI: http://purl.tuc.gr/dl/dias/B500DDFB-A8FD-4CBA-91B7-838450AF110F
Έτος 2017
Τύπος Διπλωματική Εργασία
Άδεια Χρήσης
Λεπτομέρειες
Βιβλιογραφική Αναφορά Νικόλαος Μπαρούτης, "Εφαρμογή προσαρμοστικού νευρωνκού-ασαφούς αλγορίθμου συμπερασμού για διάγνωση σε ιατρικά προβλήματα", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2017 https://doi.org/10.26233/heallink.tuc.69917
Εμφανίζεται στις Συλλογές

Περίληψη

Τα τελευταία τριάντα χρόνια με την είσοδο της μηχανικής μάθησης (ΜΜ) και τηςτεχνητής νοημοσύνης (ΤΝ) στο κλάδο των ιατρικών επιστημών η έγκαιρη, μη δαπανηρή και μη επεμβατική ιατρική διάγνωση με αυτοματοποιημένα συστήματα αποτελεί σημαντικότατο υποστηρικτικό ιατρικό εργαλείο. Η καρδιαγγειακή πάθηση από το 2003 αποτελεί την πιο θανατηφόρα αιτία με ετήσιο ποσοστό θνησιμότητας 31% του παγκόσμιου πληθυσμού, ενώ επίσης για τους νοσούντες απαιτεί από τις πιο δαπανηρές και χρονοβόρες νοσοκομειακές θεραπείες. Εκ του 31% του αποθανόντος πληθυσμού λόγω καρδιαγγειακών παθήσεων το 42% οφείλεται στην στεφανιαία νόσο την οποία αποσκοπούμε να προβλέψουμε βέλτιστα με υπολογιστικό μοντέλο ΤΝ ή/και ΜΜ στην παρούσα διπλωματική. Αυτή η νόσος είναι και η γενεσιουργός αιτία για πληθώρα άλλων καρδιαγγειακών παθήσεων καθώς και για εγκεφαλικό επεισόδιο. Ως στεφανιαία νόσος ορίζεται η στένωση των βασικών καρδιακών αρτηριών ηοποία προκαλείται από τη συσσώρευση αθηρωματικού υλικού στον αυλό τους καιπαρεμποδίζει την αιμάτωση του καρδιακού μυ με τελικό αποτέλεσμα την καρδιακήανεπάρκεια. Η επικινδυνότητα αυτής της νόσου έγκειται στην σιωπηλή εμφάνιση της.Παράμετροι και συμπτώματα που συσχετίζονται με την νόσο αυτή είναι η ηλικία, το φύλο, η υψηλή χοληστερίνη, ο στηθαγχικός πόνος, η αφύσικη αρτηριακή πίεση, η υπέρταση, το οικογενειακό ιστορικό, τα έτη ως καπνιστής, το πλήθος τσιγάρων ημερησίως, το υψηλό σάκχαρο στο αίμα, το άγχος και η έλλειψη άσκησης. Πιο συγκεκριμένα, στην παρούσα διπλωματική εργασία ερευνούμε την εύρεσητου βέλτιστου ελάχιστου σετ ιατρικών δεδομένων για τον ασθενή τα οποία με χρήση αλγόριθμων ΤΝ και ΜΜ πετυχαίνουν διάγνωση βέλτιστης κατηγοριοποίησης της στεφανιαίας νόσου ασθενών για τα τρία στάδια: Απουσία κινδύνου, Μέτρια Υψηλό, ix Πολύ Υψηλό κίνδυνο, αντί αποκλειστικά για δύο (Απουσία ή παρουσία της νόσου) όπως συστηματικά από το 1988 μέχρι σήμερα είναι ο στόχος των αντίστοιχων ερευνητικών εργασιών. Στη συνέχεια, για να επιτύχουμε καλύτερα αποτελέσματα, προχωρήσαμε βαθύτερα στην επιστήμη των δεδομένων και χρησιμοποιώντας διάφορες τεχνικές προεπεξεργασίας δεδομένων, στοχεύουμε στην κατασκευή διαφορετικών συνόλων δεδομένων των δεδομένων διάγνωσης του ασθενούς προκειμένου να εντοπίσουμε ποιο σύνολο δεδομένων προσφέρει το καλύτερο αποτέλεσμα. Επιπλέον, με βάση την παραπάνω προτεινόμενη ιδέα διαφοροποιήσαμε ακόμη περισσότερο τη μέθοδο μας, προτείνοντας ένα νέο σύνολο δεδομένων για τη διάγνωση του ασθενούς, το οποίο είναι διαφορετικό από τα δεδομένα προηγούμενων ερευνών. Για να το επιτύχουμε αυτό, πραγματοποιήσαμε διαβουλεύσεις με καρδιολόγο και χρησιμοποιήσαμετεχνικές προεπεξεργασίας δεδομένων. Η εν λόγω διάγνωση κατηγοριοποίησης δενέχει ερευνηθεί μέχρι στιγμής λόγω του μεγάλου πλήθος των παραμέτρων διάγνωσης και της πολυπλοκότητας του συνδυασμού τους. Η κατηγοριοποίηση γίνεται από τους γιατρούς λαμβάνοντας υπόψη προχωρημένες εξετάσεις των ασθενών που είναι χρονοβόρες και δαπανηρές, όπως το τεστ κοπώσεως και το σπινθηρογράφημα του μυοκαρδίου. Όταν είναι διαθέσιμες αυτές οι εξετάσεις, τα υπολογιστικά μοντέλα πρόβλεψης ασθένειας δεν συμβάλουν όμως σημαντικά ή και καθόλου στο ιατρικό συμπέρασμα. Στους πειραματισμούς μας, χρησιμοποιούμε τη βάση δεδομένων 298 ασθενώντου νοσοκομείου του Cleveland, η οποία περιλαμβάνει για κάθε ασθενή 13 τιμέςσχετικών με την πάθηση. Αυτές οι παράμετροι χρησιμοποιούνται για τη σχετικήδιάγνωση από το 1988. Επιπλέον χρησιμοποιήσαμε τις βάσεις ιατρικών δεδομένων από το αποθετήριο του πανεπιστημίου University of California, Irvine (UCI). Αυτό διαθέτει δεδομένα (όχι πλήρη) με απολεσθείσες τιμές δεδομένων της τάξης του 4% για το 15% του πληθυσμού των ασθενών της βάσης. Μέσω προσωπικής παρατήρησης ελέγχτηκαν ένα προς ένα τα δεδομένα και κατόπιν μέσω στατιστικής ανάλυσης δεδομένων συμπληρώσαμε τις κενές τιμές των παραμέτρων. Τα δεδομένα αυτών των ασθενών ενσωματώθηκαν στη βάση δεδομένων ασθενών του Cleveland για να αυξηθεί ο πληθυσμός των ασθενών κατά 21%. Με τη συμβολή του συνεργάτη μας καρδιολόγου δημιουργούμε και προτείνουμε δικό μας υποσύνολο παραμέτρων διάγνωσης για τον κάθε ασθενή, με κριτήριο οι τιμές αυτών να προκύπτουν από απλές και οικονομικές ιατρικές εξετάσεις, όπως του βιοχημικού τεστ αίματος, του ηλεκτροκαρδιογραφήματος και τις απαντήσεις της συνέντευξης του ασθενή προς τον καρδιολόγο. Δεν συμπεριλάβαμε το τεστ κοπώσεως και το σπινθηρογράφημα του μυοκαρδίου. Αρχικά, προκειμένου να εξεταστεί περεταίρω μείωση των παραμέτρωνδιάγνωσης, επεξεργαστήκαμε τα δεδομένα μας με μεθόδ

Διαθέσιμα αρχεία

Υπηρεσίες

Στατιστικά