Syftet med denna kandidatuppsats är att, via kvalitativa intervjuer, identifiera och beskriva ett landstings process för hur patient- och sjukvårdsdata, genom olika typer av dataanalyser, kan generera rättidiga beslut.   I det valda kvalitativa tillvägagångssättet skapades en semi-strukturerad intervjuguide, baserad på en analysmodell. Fem intervjuer med anställda inom fallstudieorganisationen genomfördes. För att underlätta för respondenterna och ge en tydlig helhetssyn på intervjuns innehåll, fick respondenterna innan intervjun se analysmodellen som skapats.   Deskriptiv analys är den vanligaste dataanalysmodellen som används av respondenterna, i form av verksamhets- och produktionsuppföljning. Det framgår även i undersökningen att det är viktigt med ett brett dataunderlag för beslutsfattning och att Landstinget i Värmland överlag är en mycket faktabaserad organisation. Förutsättningarna för att kunna fatta rättidiga beslut, genererade från dataanalyser, anses vara att veta vilka frågeställningar som ska besvaras, att data snabbt finns tillgänglig och att analyser utförs på denna tillgängliga data. Men även om data snabbt finns tillgängligt för beslutsfattarna och analyser gjorts, medför inte det rättidiga beslut. Data ger inte alltid en korrekt eller sann bild, utan behöver först tolkas innan besluten kan fattas. Tolkningar av data kan skilja sig åt vilket medför att ytterligare en person behöver titta på materialet, vilket också medför att besluten skjuts fram. Det anses även saknas ett enhetligt arbetssätt för hur de anställda arbetar i vårdsystemen.   Rättidiga beslut finns på olika nivåer inom landstinget. När det gäller den övergripande nivån är det inte brådskande med beslut, men ju mer operativt personalen arbetar desto viktigare är det med snabba beslut. Detta visar att ”rättidiga beslut” har olika betydelser, beroende på var i verksamheten de anställda befinner sig. Vården är tidspressad och det är inte alltid det finns möjlighet att analysera de data som finns tillräckligt mycket.

<p>This research was conducted to develop and evaluate a screening tool for Hepatic Steatosis (or fatty liver) detection using machine learning based models. The developed models are intended to be used as a potential clinical decision support tool for identifying patients with Non-Alcoholic Fatty  Liver  Disease  (NAFLD).  Two  versions  of  a  HS  prediction  tool  are  discussed  in  Paper  1, Objectives 1A, and 1B, respectively.</p> <p>Explainability  analysis  of  the  developed  models  is  also  a  major  component  of  this  work, discussed in Paper 2. Models from Paper 1 are analyzed further for interpretability and the results are then compared with current clinical literature. Insights from the explainability analysis are used to  identify  best  models  that  follow  the  clinical  literature  logically.  Most  contributing  features within each model are also identified in this work.</p> <p>Another aspect of NAFLD management is related to the chronic exposure to heavy metals in the environment (such as: Arsenic, Lead, Cadmium etc.). The heavy metal exposure component is explored in two ways in this dissertation. In paper 3, another version of the ML-based screening tool is explored by including heavy metal exposure data. The results from the model (with heavy metal data) are then compared with models that exclude the heavy metal exposure data. The results and their implications are discussed in paper 3.</p> <p>Arsenic is a major hepatotoxin and the chronic exposure can lead to severe liver injury. In Paper  4,  a  commercially  available  Arsenic  detection  kit  was examined  for  Arsenic  detection  in water  at  a  household  level.  The  kit  was  evaluated  following  a  short  experimental  plan  and  the obtained  results  are  discussed.  Finally,  the  obtained  images  were  quantified  digitally  using  a customized image analysis and pattern recognition algorithm. The methods used for quantification and the obtained results are also discussed.</p> <p><br></p>

No description available.

The focus of this study explores the adaptations of the Lag-Llama univariate time series forecasting approach [8] to handle multivariate time series, named LSTM2Lag-Llama. This extension is motivated by the increasing necessity to deal with datasets containing many variables of interest, particularly in the healthcare sector. A novel approach is introduced that harnesses the capabilities of the Long Short-Term Memory (LSTM) model. The baseline LSTM model takes multivariate input data and has been used widely to capture long-range dependencies within time series data. These features make it an ideal candidate for our task of expanding the Lag-Llama model to handle multivariate time series. The research process involves a detailed and systematic LSTM2Lag-Llama model to accommodate multiple input and output variables. This adaptation process is not a straightforward task. It requires careful consideration of the model architecture, loss function, and training methodologies. The performance of the LSTM2Lag-Llama model is then evaluated using a real-world dataset on early sepsis predictions. This dataset presents a challenging yet practical scenario for time series forecasting, making it an ideal testbed for our LSTM2Lag-Llama model. The results of this research demonstrate the feasibility and effectiveness of the proposed approach, representing a significant step towards exploring multivariate adaptations of the Lag-Llama model. The LSTM2Lag-Llama model not only handles multivariate data but also leverages the LSTM model’s ability to capture multivariate relationships in its hidden states. While the study does not directly implement the model in a practical healthcare setting, it underscores the potential of such advancements in time series forecasting techniques. This research represents a significant contribution to the field of time series forecasting in healthcare. It opens up new avenues for future research and has the potential to significantly impact the way healthcare professionals use time series data for prediction and decision-making. / L'objectif de cette étude est d'explorer les adaptations de l'approche de prévision univariée des séries temporelles Lag-Llama [8] pour traiter les séries temporelles multivariées, nommée LSTM2Lag-Llama. Cette extension est motivée par la nécessité croissante de traiter des ensembles de données contenant de nombreuses variables d'intérêt, notamment dans le secteur de la santé. Une nouvelle approche est introduite qui exploite les capacités du modèle Long Short-Term Memory (LSTM). Le modèle LSTM de base prend des données d'entrée multivariées et a été largement utilisé pour capturer les dépendances à long terme dans les données de séries temporelles. Ces caractéristiques en font un candidat idéal pour notre tâche d'extension du modèle Lag-Llama pour gérer les séries temporelles multivariées. Le processus de recherche implique un modèle LSTM2Lag-Llama détaillé et systématique pour accueillir plusieurs variables d'entrée et de sortie. Ce processus d'adaptation n'est pas une tâche simple. Il nécessite une considération minutieuse de l'architecture du modèle, de la fonction de perte et des méthodologies d'apprentissage. Les performances du modèle LSTM2Lag-Llama sont ensuite évaluées à l'aide d'un ensemble de données du monde réel sur les prédictions précoces de septicémie. Cet ensemble de données présente un scénario difficile mais pratique pour la prévision de séries temporelles, ce qui en fait un banc d'essai idéal pour notre modèle LSTM2Lag-Llama. Les résultats de cette recherche démontrent la faisabilité et l'efficacité de l'approche proposée, ce qui représente une étape importante vers l'exploration des adaptations multivariées du modèle Lag-Llama. Le modèle LSTM2Lag-Llama gère non seulement les données multivariées, mais tire également parti de la capacité du modèle LSTM à capturer les relations multivariées dans ses états cachés. Bien que l'étude n'implémente pas directement le modèle dans un contexte pratique de soins de santé, elle souligne le potentiel de telles avancées dans les techniques de prévision des séries temporelles. Cette recherche représente une contribution significative au domaine de la prévision des séries temporelles dans le domaine de la santé. Elle ouvre de nouvelles voies pour la recherche future et a le potentiel d'impact significatif sur la manière dont les professionnels de la santé utilisent les données de séries temporelles pour la prédiction et la prise de décision.