![Ιδρυματικό Αποθετήριο [SANDBOX]](images/dias.logo.png "Ιδρυματικό Αποθετήριο [SANDBOX]"){kind=logo}
Ιδρυματικό Αποθετήριο [SANDBOX]
Πολυτεχνείο Κρήτης
Πολυτεχνείο Κρήτης
EN
|
EL
| URI | http://purl.tuc.gr/dl/dias/F720D61E-89C5-4BF0-8686-17951B5C5F82 | - |
| Αναγνωριστικό | https://doi.org/10.26233/heallink.tuc.98153 | - |
| Γλώσσα | en | - |
| Μέγεθος | 1.2 megabytes | en |
| Μέγεθος | 65 pages | en |
| Τίτλος | Data mining from medical databases and machine learning based mortality prediction for venous thromboembolism, myocardial infarction and ischemic stroke | en |
| Τίτλος | Εξόρυξη δεδομένων από ιατρικές βάσεις δεδομένων και πρόβλεψη θνησιμότητας βάσει μηχανικής μάθησης για φλεβική θρομβοεμβολή, έμφραγμα του μυοκαρδίου και ισχαιμικό εγκεφαλικό επεισόδιο | el |
| Δημιουργός | Nikolakakis Stylianos | en |
| Δημιουργός | Νικολακακης Στυλιανος | el |
| Συντελεστής [Επιβλέπων Καθηγητής] | Ioannidis Sotirios | en |
| Συντελεστής [Επιβλέπων Καθηγητής] | Ιωαννιδης Σωτηριος | el |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Zervakis Michail | en |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Ζερβακης Μιχαηλ | el |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Lagoudakis Michail | en |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Λαγουδακης Μιχαηλ | el |
| Εκδότης | Πολυτεχνείο Κρήτης | el |
| Εκδότης | Technical University of Crete | en |
| Ακαδημαϊκή Μονάδα | Πολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών | el |
| Περίληψη | 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. | en |
| 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 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. | el |
| Τύπος | Διπλωματική Εργασία | el |
| Τύπος | Diploma Work | en |
| Άδεια Χρήσης | http://creativecommons.org/licenses/by-nc/4.0/ | en |
| Ημερομηνία | 2023-11-28 | - |
| Ημερομηνία Δημοσίευσης | 2023 | - |
| Θεματική Κατηγορία | Μηχανική μάθηση | el |
| Θεματική Κατηγορία | Machine learning | en |
| Θεματική Κατηγορία | Εξόρυξη δεδομένων | el |
| Θεματική Κατηγορία | Data mining | en |
| Θεματική Κατηγορία | Πρόγνωση θνησιμότητας | el |
| Θεματική Κατηγορία | Prediction mortality | el |
| Θεματική Κατηγορία | Βιοϊατρική | el |
| Θεματική Κατηγορία | Ισχαιμικό εγκεφαλικό | el |
| Θεματική Κατηγορία | Ischemic Stroke | el |
| Θεματική Κατηγορία | Έμφραγμα του μυοκαρδίου | el |
| Θεματική Κατηγορία | Myocardial infarction | en |
| Θεματική Κατηγορία | Φλεβική θρομβοεμβολή | el |
| Θεματική Κατηγορία | Venous thromboembolism | en |
| Βιβλιογραφική Αναφορά | Stylianos Nikolakakis, "Data mining from medical databases and machine learning based mortality prediction for venous thromboembolism, myocardial infarction and ischemic stroke", Diploma Work, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2023 | en |
| Βιβλιογραφική Αναφορά | Στυλιανός Νικολακάκης, "Εξόρυξη δεδομένων από ιατρικές βάσεις δεδομένων και πρόβλεψη θνησιμότητας βάσει μηχανικής μάθησης για φλεβική θρομβοεμβολή, έμφραγμα του μυοκαρδίου και ισχαιμικό εγκεφαλικό επεισόδιο", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2023 | el |
Copyright © DIAS 2013
