Machine learning to develop a model that will predict early impending sepsis in neurosurgical patients

Noikos Georgios

URI	http://purl.tuc.gr/dl/dias/E5F4A228-8B59-4F65-BECC-1C96CD3C070C	-
Identifier	https://doi.org/10.26233/heallink.tuc.97800	-
Language	en	-
Extent	86 pages	en
Extent	746.6 kilobytes	en
Title	Machine learning to develop a model that will predict early impending sepsis in neurosurgical patients	en
Title	Μηχανική μάθηση για κατασκευή μοντέλου που θα προβλέπει πρώιμα επερχόμενη σήψη σε νευροχειρουργικούς ασθενείς	el
Creator	Noikos Georgios	en
Creator	Νοϊκος Γεωργιος	el
Contributor [Thesis Supervisor]	Zervakis Michail	en
Contributor [Thesis Supervisor]	Ζερβακης Μιχαηλ	el
Contributor [Committee Member]	Stavrakakis Georgios	en
Contributor [Committee Member]	Σταυρακακης Γεωργιος	el
Contributor [Committee Member]	Γιαννακόπουλος, Γιώργος Α. 1959-	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	As sepsis, we currently define a “life-threatening organ dysfunction caused by a dysregulated host response to infection”. Prevention of sepsis, demands its early pre- diction, a task that has been quite a challenge for the scientific community. With our study, we attempt contributing to this effort, by taking processed, anonymised data, which will be used to build a machine learning predictive model that would predict an upcoming infection, potentially leading to sepsis. Although this model originally takes into consideration, among others, medical measurements of 5 consecutive days, at the end of our study we examine the model’s predictive capacity with a more limited span of days. We even end up predicting based on a single day’s medical measurements, four days prior to infection, obtaining satisfactory results. This goal’s significance is high, since achieving it, would provide the doctors and the nursing staff with some valuable time, constructing an efficient plan to deal with the infection before it causes sepsis. This interval of time could be proven to be decisive about the life of the patient, since sepsis is one of the most frequent reasons for an Intensive Care Unit (ICU) admission and the primary reason for death in the ICU. Data cleaning and pre-processing helped us to feed the best possible dataset to our model, maximizing its predictive capacity for this binary classification problem. Moreover, via the important features of our model, con- clusions could potentially be drawn concerning the relation between some clinical input features and the occurrence of sepsis, leading to an enhanced, data-driven understand- ing of this heterogeneous dysfunction. Early findings indicate efficient classification performance resulting in promising forecasting ability, using various machine learning models, while leaving considerable scope for extending the time between the prediction of the infection and its occurrence.	en
Content Summary	Ως σήψη ορίζεται μια ``απειλητική για τη ζωή δυσλειτουργία οργάνου που προκαλείται από μια απορρυθμισμένη ανταπόκριση του ξενιστή στη λοίμωξη". Η πρόληψη της σήψης απαιτεί την έγκαιρη ανίχνευσή της, κάτι που αποτελεί μεγάλη πρόκληση για ολόκληρη την επιστημονική κοινότητα. Με τη μελέτη μας, επιχειρούμε να συμβάλουμε σε αυτή την προσπάθεια, λαμβάνοντας επεξεργασμένα, ανώνυμα δεδομένα, τα οποία θα χρησιμοποιηθούν για τη δημιουργία ενός μοντέλου πρόβλεψης με τη χρήση μηχανικής μάθησης, που θα προβλέπει μια επερχόμενη λοίμωξη πριν αυτή οδηγήσει σε σήψη. Αν και το μοντέλο αυτό αρχικά λαμβάνει υπόψιν, μεταξύ άλλων, ιατρικές μετρήσεις 5 διαδοχικών ημερών, στο τέλος της μελέτης μας εξετάζουμε την προβλεπτική ικανότητα του μοντέλου, με ένα πιο περιορισμένο εύρος ημερών. Καταλήγουμε μάλιστα να προβλέπουμε με βάση τις ιατρικές μετρήσεις μιας μόνο ημέρας, τέσσερις ημέρες πριν από τη μόλυνση, λαμβάνοντας ικανοποιητικά αποτελέσματα. Η σημασία αυτού του εγχειρήματος είναι μεγάλη, καθώς η επίτευξή του, θα δώσει πολύτιμο χρόνο στους γιατρούς και το νοσηλευτικό προσωπικό να κατασευάσουν ένα αποτελεσματικό σχέδιο αντιμετώπισης της λοίμωξης, πριν αυτή προκαλέσει σήψη. Αυτό το χρονικό διάστημα θα μπορούσε να αποδειχθεί καθοριστικό για τη ζωή του ασθενούς, δεδομένου ότι η σήψη είναι ένας από τους συχνότερους λόγους εισαγωγής σε Μονάδα Εντατικής Θεραπείας (ΜΕΘ) και η πρωταρχική αιτία θανάτου μέσα στη ΜΕΘ. Η εφαρμογή data cleaning και feature selection μας βοήθησαν να τροφοδοτήσουμε το καλύτερο δυνατό σύνολο δεδομένων στο μοντέλο μας, μεγιστοποιώντας την ικανότητα πρόβλεψής του για αυτό το πρόβλημα δυαδικής ταξινόμησης. Επιπλέον, βάσει των χαρακτηριστικών που φάνηκαν να έχουν τη μεγαλύτερη επιρροή στην εκάστοτε πρόβλεψη του μοντέλου μας, θα μπορούσαν ενδεχομένως να εξαχθούν συμπεράσματα σχετικά με τη σχέση μεταξύ ορισμένων κλινικών χαρακτηριστικών ή μετρήσεων και της εμφάνισης σήψης, οδηγώντας σε μια βελτιωμένη κατανόηση αυτής της ετερογενούς δυσλειτουργίας. Τα πρώτα ευρήματα δείχνουν αποτελεσματική απόδοση της ταξινόμησης, γεγονός που υποδεικνύει πολλά υποσχόμενη ικανότητα πρόβλεψης, με τη χρήση διαφόρων μοντέλων μηχανικής μάθησης.	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	2023-10-18	-
Date of Publication	2023	-
Subject	Ταξινόμηση	el
Subject	Classification	en
Subject	Machine learning	en
Subject	Μηχανική μάθηση	el
Subject	Sepsis	en
Subject	Σήψη	el
Subject	Infection	en
Subject	Λοίμωξη	el
Subject	Prediction	en
Subject	Πρόβλεψη	el
Bibliographic Citation	Georgios Noikos, "Machine learning to develop a model that will predict early impending sepsis in neurosurgical patients", Diploma Work, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2023	en
Bibliographic Citation	Γεώργιος Νόϊκος, "Μηχανική μάθηση για κατασκευή μοντέλου που θα προβλέπει πρώιμα επερχόμενη σήψη σε νευροχειρουργικούς ασθενείς", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2023	el

Search

Browse

My Space

Machine learning to develop a model that will predict early impending sepsis in neurosurgical patients

Noikos Georgios

Available Files

Services

Export

Share

Statistics

Metadata & Content in a METS Package:

Metadata in Format: