Spelling suggestions: "subject:"paroxysmalt förmaksflimmer"" "subject:"paroxysmalt formaksflimmer""
1 |
Hur kan jag hjälpa dig att bli delaktig? : en fokusgruppstudie bland sjuksköterskor om patienter med paroxysmalt förmaksflimmerPersson, Louise, Viström, Kerstin January 2019 (has links)
Förmaksflimmer är den vanligaste takyarytmin hos vuxna och ökar kraftigt i prevalens med stigande ålder. Förmaksflimmer är förenat med ökad dödlighet, minskad livskvalitet, ökad risk för stroke, demensutveckling, depression och hjärtsvikt. Vid debut av paroxysmalt förmaksflimmer och efter hjälp att återgå i sinus, kan risken att återfalla i förmaksflimmer och dess samsjuklighet minska, genom att hantera sina riskfaktorer. Undersökningar har visat att patienter är minst nöjda med information, kunskap och delaktighet inom slutenvården. Patienten har rätt att få information om sitt hälsotillstånd, sitt förväntade vård- och behandlingsförlopp samt om möjligheten att välja behandlingsalternativ. Kommunikation inom vården är livsnödvändig och kan stöta på flertalet kommunikationshinder både från patient och vårdares sida. Personcentrerad vård är fördelaktigt vid vård av patienter med förmaksflimmer. Det främjar delaktighet i beslutsfattande och ökar också följsamheten till långvarig behandling och sjukdomsinsikt. Syftet med denna studie var att belysa sjuksköterskors erfarenheter av att göra patienter med diagnosen paroxysmalt förmaksflimmer, delaktiga i sin vård och behandling. Åtta fokusgruppintervjuer har genomförts med 34 sjuksköterskor. Den insamlade datan analyserades via en kvalitativ innehållsanalys. Resultatet visade två teman; Personcentrerad vård främjar delaktighet samt sjuksköterskans medicinska fokus påverkar delaktigheten, samt följande fem kategorier; information, kommunikation, bemötande, samverkan i team samt organisation och struktur. Under temat personcentrerad vård främjar delaktighet ingick kategorierna information, kommunikation och bemötande. Det genomsyrande budskapet i intervjuerna och det uppfattande latenta budskapet är det goda etiska förhållningssättet och den i grunden goda människosynen som föreligger hos de intervjuade sjuksköterskorna. De arbetar personcentrerat, även fast det inte talas uttryckligen om personcentrering. Under temat sjuksköterskans medicinska fokus påverkar delaktigheten, återfanns två kategorier; samverkan i team samt organisation och struktur. I detta tema framkom att sjuksköterskornas fokus huvudsakligen var medicinskt istället för omvårdnadsinriktat. Studiens slutsats är att det inom slutenvården inte kommuniceras så mycket med patienter med paroxysmalt förmaksflimmer om deras kroniska diagnos och de får ofta stå tillbaka för patienter med mer akuta tillstånd. Trots att så mycket forskning visat på att personcentrerad vård är det som främjar en god följsamhet och delaktighet för alla patienter prioriteras detta bort. Sjuksköterskorna prioriterar bort omvårdnadsfokuset till förmån för att främja vårdprocessen utifrån det medicinska fokuset och prioriterar enbart den medicinska processen. Sjuksköterskan förväntas många gånger vara patientens representant, vilket kan detta leda till en känsla av otillräcklighet hos sjuksköterskor.
|
2 |
Exploring attribution methods explaining atrial fibrillation predictions from sinus ECGs : Attributions in Scale, Time and Frequency / Undersökning av attributionsmetoder för att förklara förmaksflimmerprediktioner från EKG:er i sinusrytm : Attribution i skala, tid och frekvensSörberg, Svante January 2021 (has links)
Deep Learning models are ubiquitous in machine learning. They offer state-of- the-art performance on tasks ranging from natural language processing to image classification. The drawback of these complex models is their black box nature. It is difficult for the end-user to understand how a model arrives at its prediction from the input. This is especially pertinent in domains such as medicine, where being able to trust a model is paramount. In this thesis, ways of explaining a model predicting paroxysmal atrial fibrillation from sinus electrocardiogram (ECG) data are explored. Building on the concept of feature attributions, the problem is approached from three distinct perspectives: time, scale, and frequency. Specifically, one method based on the Integrated Gradients framework and one method based on Shapley values are used. By perturbing the data, retraining the model, and evaluating the retrained model on the perturbed data, the degree of correspondence between the attributions and the meaningful information in the data is evaluated. Results indicate that the attributions in scale and frequency are somewhat consistent with the meaningful information in the data, while the attributions in time are not. The conclusion drawn from the results is that the task of predicting atrial fibrillation for the model in question becomes easier as the level of scale is increased slightly, and that high-frequency information is either not meaningful for the task of predicting atrial fibrillation, or that if it is, the model is unable to learn from it. / Djupinlärningsmodeller förekommer på många håll inom maskininlärning. De erbjuder bästa möjliga prestanda i olika domäner såsom datorlingvistik och bildklassificering. Nackdelen med dessa komplexa modeller är deras “svart låda”-egenskaper. Det är svårt för användaren att förstå hur en modell kommer fram till sin prediktion utifrån indatan. Detta är särskilt relevant i domäner såsom sjukvård, där tillit till modellen är avgörande. I denna uppsats utforskas sätt att förklara en modell som predikterar paroxysmalt förmaksflimmer från elektrokardiogram (EKG) som uppvisar normal sinusrytm. Med utgångspunkt i feature attribution (särdragsattribution) angrips problemet från tre olika perspektiv: tid, skala och frekvens. I synnerhet används en metod baserad på Integrated Gradients och en metod baserad på Shapley-värden. Genom att perturbera datan, träna om modellen, och utvärdera den omtränader modellen på den perturberade datan utvärderas graden av överensstämmelse mellan attributionerna och den meningsfulla informationen i datan. Resultaten visar att attributioner i skala- och frekvensdomänerna delvis stämmer överens med den meningsfulla informationen i datan, medan attributionerna i tidsdomänen inte gör det. Slutsatsen som dras utifrån resultaten är att uppgiften att prediktera förmaksflimmer blir enklare när skalnivån ökas något, samt att högre frekvenser antingen inte är betydelsefullt för att prediktera förmaksflimmer, eller att om det är det, så saknar modellen förmågan att lära sig detta.
|
Page generated in 0.0557 seconds