Inläckage av grundvatten är ofrånkomligt i en bergtunnel, men måste vanligen begränsas för att inte medföra skador på både omgivning och den egna anläggningen. Denna begränsning uppnås genom tätning av tunneln och kontrolleras med mätningar av inläckaget. Vilka begränsningsvärden för inläckaget som är möjliga att uppnå, baseras på prediktioner av inläckaget och fastslås i tillståndet som ges för denna vattenverksamhet. Syftet med det här arbetet är att få förståelse för orsakerna till avvikelser mellan det faktiska inläckage som mätningarna visar (utfallet) och det predikterade inläckaget. För att göra detta kommer en fallstudie att genomföras på anläggningen av två ramptunnlar, Solhems- och Kälvestatunneln, i infrastrukturprojektet E4 Förbifart Stockholm. Baserat på fallstudien skapas en ny konceptuell modell av de två ramptunnlarna som inkluderar information om jord-, berg- och grundvattenförhållanden som framkommit till och med i byggskedet. Utifrån denna konceptuella modell görs nya prediktioner av inläckaget med en analytisk formel. Detta jämförs med den konceptuella modell i systemhandlingsskedet från vilken de ursprungliga prediktionerna gjordes. De nya beräkningarna predikterar genomgående ett högre inläckage än de ursprungliga och avviker mindre från utfallet på flertalet delsträckor. Orsakerna till avvikelserna utvärderas, framförallt med avseende på ansatt hydraulisk konduktivitet då detta visat sig ha stor effekt på prediktionerna. Utvärderingen visade att den hydrauliska konduktiviteten i berget generellt var för lågt ansatt, något som hade kunnat förutsägas med annorlunda datainsamling i ett tidigare skede. Mer specifikt orsakade en svaghetszon, som borttagits i tidigare skeden men som observerats i byggskedet, stora avvikelser mellan prediktion och utfall på åtminstone en delsträcka i Solhemstunneln. Om informationen om svaghetszoner tolkats annorlunda i ett tidigare skede hade även detta kunnat förutsägas. / Groundwater inflow to a rock tunnel is inevitable, but nonetheless important to limit. Otherwise both the surroundings and the tunnel itself risk becoming subject to damage. To prevent this, legal limitations are set for the inflow. Measurements are then made to ensure that the inflow does not exceed these limitations. When constructing a tunnel in hard rock, the limit objectives are hopefully met through the filling of rock fractures through grouting. Inflow predictions are made at an early stage of a tunnel project, both in order to establish the legal requirements but also as basis for grouting design. The aim of the work reported is to understand why these predictions in some cases deviate from the measured inflow. To accomplish this, a case study on two road tunnels in one of Sweden's most comprehensive infrastructure projects of all time, the construction of a motorway bypass around the capital Stockholm, is presented and assessed. Several causes of deviations between inflow predictions and observations in these two tunnels are suggested, most of them related to the hydraulic conductivity of the rock. Overall the rock quality seems to be worse than predicted. In one tunnel segment in particular, one cause of major deviations from inflow predictions is due to a fracture zone which has not been accounted for. These identified causes of increased inflow could have been foreseen in an early stage of the project, either through more extensive investigations or different interpretations of existing data. New inflow predictions have been made based on the suggested corrections. The result is consistently higher than the predictions made earlier and mostly less deviant from observations. This indicates that the real inflow is probably higher than initially predicted.

Problem: Konkurser drar med sig höga kostnader på olika sätt, och genom åren har många försök gjorts att finna modeller som kan förutse konkurser och därigenom undvika dem. Några av de mest beprövade modellerna är Altmans olika Z-scoremodeller, som genom åren visat olika resultat. Allt fler företag blir också verksamma inom tjänstesektorn, och forskningen menar att dessa företag skiljer sig från tillverkande företag när det gäller dess nyckeltal, vilket alltså borde påverka möjligheterna att förutse konkurser enligt de modeller som idag finns. Syfte: Kontrollera huruvida Altmans Z´´-scoremodell fungerar på små- och medelstora tjänsteföretag i Sverige, men även om korrelation mellan ett företags kreditbetyg och dess Z´´-score föreligger. Metod: Uppsatsen är skriven utifrån ett positivistiskt synsätt med deduktiv ansats, och bygger på kvantitativ sekundärdata. Analyser görs genom hypotesprövning. Slutsats: Altmans Z´´-scoremodell fungerar dåligt på tjänsteföretag inom segmentet små- och medelstora företag i Sverige. Resultatet blir detsamma, även om modellen tillämpas på    tillverkande företag och handelsföretag. Däremot går det se skillnad på nyckeltal i företag försatta i konkurs och friska företag, bland annat genom att konkursföretag har sämre lönsamhet, balanslikviditet och skuldsättningsgrad. Fortsatt forskning: Forskningen går isär när det gäller möjligheterna att förutse konkurser, och det finns fortfarande många aspekter att pröva. Förslag på fortsatt forskning är därför att undersöka hur nyckeltalen verkligen skiljer sig åt, och om det därigenom är möjligt att undvika konkurser. Ytterligare alternativ kan vara att undersöka variablerna i Z´´-scoremodellen, och eventuellt justera dessa för bättre utfall. / Problem: Bankruptcy is associated with a high cost in different ways, and over the years, many attempts have been made to find models that can predict failures and thru that avoid them. Some of the most proven models are Altmans Z-score in various forms, which over the years have shown different results. More and more companies work with services, and research says that these companies differ from manufacturing companies when it comes to its economic ratios, which should affect the possibilities in predicting bankruptcy according to today available models. Purpose: Check whether the Altman Z´´-score model works on small- and medium-sized services companies in Sweden, but also check if correlation exist between a company's credit rating and its Z´´-score. Method: The thesis is written with a positivist and deductive approach, based on quantitative secondary data. Analyses are made by hypothesis testing. Conclusion: Altman's Z´´-score does not work on small- and medium-sized service companies in Sweden. The result is the same, even if the model is applied to manufacturing and trading companies. However, it is possible to see differences between bankrupt companies and healthy companies. Some ratios that show differences are profitability, balance sheet liquidity and leverage, which all are lower in bankrupt companies. Continued research: Researchers are divided when it comes to the possibilities to predict bankruptcy, and there are still many aspects to consider. Suggestions for continued researchis to examine how ratios really differ, and if it is thru that is possible to avoid bankruptcy. Another angle might be to examine the variables of the Z´´-score-model, and maybe adjust them for more accurate result.

Migrationsverket är en myndighet som prövar ansökningar från personer som vill söka skydd, ha medborgarskap, studera eller vill jobba i Sverige. Då det på senare tid varit en stor ökning i dessa ansökningar har tiden för vilket ett beslut tar ökat. Varje typ av ansökning (exempelvis medborgarskap) är en process som består av flera steg. Hur beslutet går igenom dessa steg kallas för flöde. Migrationsverket vill därför öka sin flödeseffektivitet. När beslutet är klart och personen tagit del av det men inte är nöjd kan denne överklaga. Detta är en av de mest komplexa processerna på Migrationsverket. Syftet är analysera hur lång tid denna process tar och vilka steg i processen som påverkar tiden. Ett steg (som senare visar sig ha en stor effekt på tiden) är yttranden. Det är när domstolen begär information om vad personen som överklagar har att säga om varför denne överklagar. För att analysera detta var två metoder relevanta, accelerated failure time (AFT) och \multi-state models (MSM). Den ena kan predicera tid till händelse (AFT) medan den andra kan analysera effekten av tidspåverkan (MSM) i stegen. Yttranden tidigt i processen har stor betydelse för hur snabbt en överklagan får en dom samtidigt som att antal yttranden ökar tiden enormt. Det finns andra faktorer som påverkar tiden men inte i så stor grad som yttranden. Då yttranden tidigt i processen samtidigt som antal yttranden har betydelse kan flödeseffektiviteten ökas med att ta tid på sig att skriva ett informativt yttrande som gör att domstolen inte behöver begära flera yttranden. / The Swedish Migration Board is an agency that review applications from individuals who wish to seek shelter, have citizenship, study or want to work in Sweden. In recent time there has been a large increase in applications and the time for which a decision is made has increased. Each type of application (such as citizenship) is a process consisting of several stages. How the decision is going through these steps is called flow. The Swedish Migration Board would therefore like to increase their flow efficiency. When the decision is made and the person has take part of it but is not satisfied, he can appeal. This is one of the most complex processes at the Board. The aim is to analyze how long this process will take and what steps in the process affects the time. One step (which was later found to have a significant effect on time) is opinions. This is when the court requests information on what the person is appealing has to say about why he is appealing. To analyze this, two methods were relevant, accelerated failure time (AFT) and the multi-state models (MSM). One can predict time to event (AFT), the other to analyze the effect of time-manipulation (MSM) in the flow. Opinions early in the process is crucial to how quickly an appeal get judgment while the number of opinions increases the time enormously. There are other factors that affect the time but not so much as opinions. The flow efficiency can be increased by taking time to write an informative opinion which allows the court need not to ask for more opinions.

Internetbaserad KBT är en behandlingsform som har visat god effekt vid insomni. Vården av personer med insomni skulle dock kunna förbättras av mer kunskap om faktorer som påverkar utfall på lång sikt. Föreliggande studie hade en explorativ ansats och syftet var att identifiera faktorer som kunde predicera behandlingsutfall vid 36-månadersuppföljning (FU36). Därutöver ämnade studien undersöka hur väl data insamlad innan behandlingen kunde predicera behandlingsutfall vid FU36 i jämförelse med data insamlad både innan och efter behandling. Behandlingsutfall definierades som förändring av insomnisymtom och grad av insomnisymtom vid FU36. Totalt inkluderades 203 deltagare från två olika behandlingsstudier, vilka genomgått 9–12 veckors insomnibehandling med eller utan kombinerad depressionsbehandling. Initiala korrelationer undersökte samband mellan prediktorer och utfallsmått, därefter genomfördes regressionsanalyser med de prediktorer som visade signifikanta samband. Resultaten påvisade att det var möjligt att predicera förändring och grad av insomnisymtom vid FU36. Prediktorer från data insamlad innan och efter behandling kunde predicera behandlingsutfall bäst och förklarade 33% av den totala variansen gällande förändring av insomnisymtom tre år efter avslutad behandling. Allvarligare grad av insomni vid behandlingsstart, förändring av insomnisymtom under behandlingen, hög ålder och missnöje vid utvärderingen kunde predicera insomnisymtom tre år efter avslutad behandling. Kliniskt kan detta innebära att patienter som riskerar sämre behandlingseffekt på lång sikt kan få bättre stöd. / Internet-based CBT is a treatment-form that has proved to be effective against insomnia. Treatment of patients with insomnia could benefit from more knowledge about factors that affect long-term outcomes. The present study had an explorative design and the aim was to identify factors that could predict treatment outcomes at 36-month-follow-up (FU36). The study also made a comparison of predictive power regarding treatment outcomes between data gathered before treatment and data gathered both before and after treatment. Treatment outcomes were defined as change in insomnia symtoms and degree of insomnia symtoms at FU36. In total 203 participants were included from two different treatment studies, whom had received 9-12 weeks of insomnia treatment with or without combined treatment for depression. Initial correlations explored relationships between predictors and outcome measures, thereafter multiple regression analyses were done with the predictors that showed significant relationships. The results showed that it was possible to predict change and degree of insomnia symtoms at FU36. Predictors taken from data gathered before and after treatment had the most predictive power and explained 33% of the total variance of the change of insomnia symtoms at FU36. More insomnia symtoms at the beginning of treatment, change of insomnia symtoms during treatment, high age and a dissatisfaction of treatment were factors that were able to predict insomnia symtoms at FU36. / ClinicalTrials.gov Identifier: NCT01663844 New Clinical Applications for Internet-based Cognitive Behavior Therapy for Insomnia and Depression

The purpose of this thesis is to investigate the possibilities of predicting vacancies in the real estate market by using machine learning models in terms of classification. These models were mainly based on data from contracts between a Swedish real estate company and their tenants. Attributes such as annual renting cost and rental area for each contract were supplemented with additional data regarding financial and geographical information about the tenants. The data was stored in three different formats with the first having binary classes which aim is to predict if the tenant is moving out within a year or more. The format of the second and third version were both multi classification problems that aims to classify if the tenants might terminate their contract within a specific interval with the length of three and six months. Based on the results from Microsoft Azure Machine Learning Studio, it is discovered that the multi classification problems perform rather poorly due to the classes being unbalanced. Regarding the  performance of the binary model, a more satisfying result was obtained but not to the extend to say that the model can be used to determine a vacancy with high accuracy. It should rather be used as a risk analysis tool to detect if a tenant is showing tendencies that could result in a future vacancy. A major pitfall of this thesis was the lack of data and the financial information not being specific enough. The performance of the models will likely increase with a larger dataset and more accurate financial information.

Intelligenta Transportsystem (ITS) utgör idag en central del i arbetet att försöka höja kvaliteten i transportnätverken, genom att exempelvis ge stöd i arbetet att leda trafik i realtid och att ge trafikanter större möjlighet att ta informerade beslut gällandes sin körning. Kortsiktig prediktion av trafikdata, däribland trafikvolym, spelar en central roll för de tjänster ITS-systemen levererar. Den starka teknologiska utvecklingen de senaste decennierna har bidragit till en ökad möjlighet till att använda datadriven modellering för att utföra kortsiktiga prediktioner av trafikdata. Säsongsbaserad ARIMA (SARIMA) är en av de vanligaste datadrivna modellerna för modellering och predicering av trafikdata, vilken använder mönster i historisk data för att predicera framtida värden. Vid modellering med SARIMA behöver en mängd beslut tas gällandes de data som används till modelleringen. Exempel på sådana beslut är hur stor mängd träningsdata som ska användas, vilka dagar som ska ingå i träningsmängden och vilket aggregationsintervall som ska användas. Därtill utförs nästintill enbart enstegsprediktioner i tidigare studier av SARIMA-modellering av trafikdata, trots att modellen stödjer predicering av flera steg in i framtiden. Besluten gällandes de parametrar som nämnts saknar ofta teoretisk motivering i tidigare studier, samtidigt som det är högst troligt att dessa beslut påverkar träffsäkerheten i prediktionerna. Därför syftar den här studien till att utföra en känslighetsanalys av dessa parametrar, för att undersöka hur olika värden påverkar precisionen vid prediktion av trafikvolym. I studien utvecklades en modell, med vilken data kunde importeras, preprocesseras och sedan modelleras med hjälp av SARIMA. Studien använde trafikvolymdata som insamlats under januari och februari 2014, med hjälp av kameror placerade på riksväg 40 i utkanten av Göteborg. Efter differentiering av data används såväl autokorrelations- och partiell autokorrelationsgrafer som informationskriterier för att definiera lämpliga SARIMA-modeller, med vilka prediktioner kunde göras. Med definierade modeller genomfördes ett experiment, där åtta unika scenarion testades för att undersöka hur prediktionsprecisionen av trafikvolym påverkades av olika mängder träningsdata, vilka dagar som ingick i träningsdata, längden på aggregationsintervallen och hur många tidssteg in i framtiden som predicerades. För utvärdering av träffsäkerheten i prediktionerna användes MAPE, RMSE och MAE. Resultaten som experimentet visar är att definierade SARIMA-modeller klarar att predicera aktuell data med god precision oavsett vilka värden som sattes för de variabler som studerades. Resultaten visade dock indikationer på att en träningsvolym omfattande fem dagar kan generera en modell som ger mer träffsäkra prediktioner än när volymer om 15 eller 30 dagar används, något som kan ha stor praktisk betydelse vid realtidsanalys. Därtill indikerar resultaten att samtliga veckodagar bör ingå i träningsdatasetet när dygnsvis säsongslängd används, att SARIMA-modelleringen hanterar aggregationsintervall om 60 minuter bättre än 30 eller 15 minuter samt att enstegsprediktioner är mer träffsäkra än när horisonter om en eller två dagar används. Studien har enbart fokuserat på inverkan av de fyra parametrarna var för sig och inte om en kombinerad effekt finns att hitta. Det är något som föreslås för framtida studier, liksom att vidare utreda huruvida en mindre träningsvolym kan fortsätta att generera mer träffsäkra prediktioner även för andra perioder under året. / Intelligent Transport Systems (ITS) today are a key part of the effort to try to improve the quality of transport networks, for example by supporting the real-time traffic management and giving road users greater opportunity to take informed decisions regarding their driving. Short-term prediction of traffic data, including traffic volume, plays a central role in the services delivered by ITS systems. The strong technological development has contributed to an increased opportunity to use data-driven modeling to perform short-term predictions of traffic data. Seasonal ARIMA (SARIMA) is one of the most common models for modeling and predicting traffic data, which uses patterns in historical data to predict future values. When modeling with SARIMA, a variety of decisions are required regarding he data used. Examples of such decisions are the amount of training data to be used, the days to be included in training data and the aggregation interval to be used. In addition, one-step predictions are performed most often in previous studies of SARIMA modeling of traffic data, although the model supports multi-step prediction into the future. Often, in previous studies, decisions are made concerning mentioned variables without theoretical motivation, while it is highly probable that these decisions affect the accuracy of the predictions. Therefore, this study aims at performing a sensitivity analysis of these parameters to investigate how different values affect the accuracy of traffic volume prediction. The study developed a model with which data could be imported, preprocessed and then modeled using a SARIMA model. Traffic volume data was used, which was collected during January and February 2014, using cameras located on highway 40 on the outskirts of Gothenburg. After differentiation of data, autocorrelation and partial autocorrelation graphs as well as information criteria are used to define appropriate SARIMA models, with which predictions could be made. With defined models, an experiment was conducted in which eight unique scenarios were tested to investigate how the prediction accuracy of traffic volume was influenced by different amount of exercise data, what days was included in training data, length of aggregation intervals, and how many steps into the future were predicted. To evaluate the accuracy of the predictions, MAPE, RMSE and MAE were used. The results of the experiment show that developed SARIMA models are able to predict current data with good precision no matter what values were set for the variables studied. However, the results showed indications that a training volume of five days can generate a model that provides more accurate predictions than when using 15 or 30-day volumes, which can be of great practical importance in real-time analysis. In addition, the results indicate that all weekdays should be included in the training data set when daily seasonality is used, SARIMA modeling handles aggregation intervals of 60 minutes better than 30 or 15 minutes, and that one-step predictions are more accurate than when one or two days horizons are used. The study has focused only on the impact of the four parameters separately and not if a combined effect could be found. Further research is proposed for investigating if combined effects could be found, as well as further investigating whether a lesser training volume can continue to generate more accurate predictions even for other periods of the year.

Uppsatsen ämnar att försöka förklara hur olika variabler angående matchbilden i en fotbollsmatch påverkar slutresultatet. Dessa variabler är uppdelade i prestationsvariabler och kvalitétsvariabler. Prestationsvariablerna är baserade på prestationsindikatorer inspirerat av Hughes och Bartlett (2002). Kvalitétsvariablerna förklarar hur bra de olika lagen är. Som verktyg för att uppnå syftet används olika klassificeringsmodeller utifrån både prestationsvariablerna och kvalitétsvariablerna. Först undersöktes vilka prestationsindikatorer som var viktigast. Den bästa modellen klassificerade cirka 60 % rätt och rensningar och skott på mål var de viktigaste prestationsvariablerna. Sedan undersöktes vilka prediktionsvariabler som var bäst. Den bästa modellen klassificerade rätt slutresultat cirka 88 % av matcherna. Utifrån vad författarna ansågs vara de viktigaste prediktionsvariablerna skapades en prediktionsmodell med färre variabler. Denna lyckades klassificera rätt cirka 86 % av matcherna. Prediktionsmodellen var konstruerad med spelarbetyg, odds på oavgjort och domare.

The task of predicting start-up growth has been an item of institutional as wellas widespread individual research and acclaim of those successful. This workis an attempt to distill the alleged factors of prediction in the large body ofwork that has already been documented, as well as investigating reasonable butyet untested variables. Conclusions are built with a multiple regression model,exploring 7 regressors with data spanning 2014-2019 to avoid the potentiallyabnormal impact of the Covid-19 crisis.Due to the choice of non-predictive regressors, the final result is an explanatorymodel, highlighting the importance of rigorousness in the process of model-building and outlining of data collection in regression analysis. Most regres-sors had a non-significant or weak relationship with the response variable, butconcludes an explanatory degree of 51%. Even if it can not be utilised as apredictive model, it may provide some interesting insight. In the final model,every regressor except one had an unexpected beta value, contradicting earlierresearch. / Åtagandet att förutsäga 'start-up' tillväxt har varit ämne för institutionellsåväl som utbredd individuell undersökning och följaktligen hyllning för de som varit framgångsrika. Denna studieär ett försök att destillera de påstådda faktorerna för förutsägelse utifrån den redan dokumenterade litteraturen, samt utreda rimliga men ännu outforskade variabler. Slutsatser byggs med en multipel regressionsmodell,som utforskar 7 regressorer med data som sträcker sig 2014-2019 för att undvika de potentiellt atypiska effekterna av covid-19-krisen.På grund av valet av vissa icke-prediktiva regressorer är slutresultatet en förklarandemodell, som belyser vikten av noggrannhet i processen för modell-uppbyggnad och planeringen av datainsamling i regressionsanalys. De flesta regressorer hade ett icke-signifikant eller svagt samband med svarsvariabeln, men den slutgiltiga modellen påvisar en förklaringsgrad på 51 %. Även om den inte kan användas som en prediktiv modell, så bidrar den med betydande insikter. Alla regressorer utom en visade ett oväntat beta-värde, vilket motsäger tidigare forskning.

We have seen a rapid increase in the development of deep learning algorithms in recent decades. However, while these algorithms have unlocked new business areas and led to great development in many fields, they are usually limited to Euclidean data. Researchers are increasingly starting to find out that they can better represent the data used in many real-life applications as graphs. Examples include high-risk domains such as finding the side effects when combining medicines using a protein-protein network. In high-risk domains, there is a need for trust and transparency in the results returned by deep learning algorithms. In this work, we explore how we can quantify uncertainty in Graph Neural Network predictions using conventional methods for conformal prediction as well as novel methods exploiting graph connectivity information. We evaluate the methods on both static and dynamic graphs and find that neither of the novel methods offers any clear benefits over the conventional methods. However, we see indications that using the graph connectivity information can lead to more efficient conformal predictors and a lower prediction latency than the conventional methods on large data sets. We propose that future work extend the research on using the connectivity information, specifically the node embeddings, to boost the performance of conformal predictors on graphs. / De senaste årtiondena har vi sett en drastiskt ökad utveckling av djupinlärningsalgoritmer. Även fast dessa algoritmer har skapat nya potentiella affärsområden och har även lett till nya upptäckter i flera andra fält, är dessa algoritmer dessvärre oftast begränsade till Euklidisk data. Samtidigt ser vi att allt fler forskare har upptäckt att data i verklighetstrogna applikationer oftast är bättre representerade i form av grafer. Exempel inkluderar hög-risk domäner som läkemedelsutveckling, där man förutspår bieffekter från mediciner med hjälp av protein-protein nätverk. I hög-risk domäner finns det ett krav på tillit och att resultaten från djupinlärningsalgoritmer är transparenta. I den här tesen utforskar vi hur man kan kvantifiera osäkerheten i resultaten hos Neurala Nätverk för grafer (eng. Graph Neural Networks) med hjälp av konform prediktion (eng. Conformal Prediction). Vi testar både konventionella metoder för konform prediktion, samt originella metoder som utnyttjar strukturell information från grafen. Vi utvärderar metoderna både på statiska och dynamiska grafer, och vi kommer fram till att de originella metoderna varken är bättre eller sämre än de konventionella metoderna. Däremot finner vi indikationer på att användning av den strukturella informationen från grafen kan leda till effektivare prediktorer och till lägre svarstid än de konventionella metoderna när de används på stora grafer. Vi föreslår att framtida arbete i området utforskar vidare hur den strukturella informationen kan användas, och framförallt nod representationerna, kan användas för att öka prestandan i konforma prediktorer för grafer.

Perioperative hypotension corresponds to critically low blood pressure events during the pre, intra and postoperative periods. It is a common side effect of general anaesthesia and is strongly associated with an increased risk of postoperative complications, such as acute kidney injury, myocardial injury and in the worst case death. Early treatment of hypotension, preferably even before onset, is crucial in order to reduce the risk and severity of its associated complications. This work explores methods for predicting the onset of hypotension which could serve as a warning mechanism for clinicians managing the patient’s hemodynamics. More specifically, we present methods using only the arterial blood pressure curve to predict two different definitions of hypotension. The presented methods are based on a Convolutional Neural Network (CNN) trained on data from patients undergoing high-risk surgery. The experimental results show that our network can predict hypotension with 70% sensitivity and 80% specificity 5 minutes before onset. The prediction performance is then quickly reduced for longer prediction times, resulting in 60% sensitivity and 80% specificity 15 minutes before onset. / Perioperativ hypotension motsvarar perioder av kritiskt lågt blodtryck före, under och efter operation. Det är en vanlig bieffekt av generell anestesi och är starkt associerad med ökat risk av postoperativa komplikationer, så som akut leverskada, myokardskada och i värsta fall dödsfall. Tidig behandling av hypotension, helst innan perioden börjar, är avgörande för att minska risken och allvarlighetsgraden av postoperativa komplikationer. Det här arbetet utforskar metoder för att förutspå perioder av hypotension, vilket skulle kunna används för att varna vårdpersonal som ansvarar för patientens hemodynamiska övervakning. Mer specifikt så presenteras metoder som endast använder artärblodtryck för att förutspå två olika definitioner av hypotension. Metoderna som presenteras är baserade på ett Convolutional Neural Network (CNN) som tränats på data från patienter som genomgår högriskoperation. De experementella resultaten visar att våran modell kan förutspå hypotension med 70% sensitivitet och 80% specificitet 5 minuter i förväg. Förmågan att förutspå hypotension avtar sedan snabbt för längre prediktionstider, vilket resulterar i 60% sensitivitet och 80% specificitet 15 minuter i förväg.