Stroke är en folksjukdom i Sverige med ungefär 25 000 drabbade varje år, där de med låg socioekonomisk status riskerar ett sämre utfall efter stroke än de med hög socioekonomisk status. Syftet med denna uppsats var därför att undersöka om en högre förekomst av riskfaktorer bland de med låg socioekonomisk status förklarar varför de har ett sämre utfall än de med hög socioekonomisk status. Låg socioekonomisk status definieras som de med grundskoleutbildning som högsta uppnådda utbildning. Detta har undersökts med mediationsanalys där effekterna definierats som total effekt (total effect, TE), naturlig direkt effekt (natural direct effect, NDE) samt naturlig indirekt effekt (natural indirect effect, NIE). Två olika utfall har använts, avliden inom 90 dagar efter stroke och avliden inom 90 dagar eller ADL-beroende efter stroke. För utfallet avlida inom 90 dagar efter stroke skattades effekterna till (95%-igt konfidensintervall inom parentes): TE 2,6% (1,1% ; 4,0%), NDE 2,3% (0,8% ; 3,7%) och NIE 0,3% (0,1% ; 0,5%). Alla effekter kan tolkas som en skillnad i risk, exempelvis TE kan tolkas som: risken att avlida inom 90 dagar efter stroke är 2,6% högre för de med låg socioekonomisk status jämfört med de med hög socioekonomisk status. För utfallet avlida inom 90 dagar eller bli ADL-beroende efter stroke skattades effekterna till: TE 3,4% (1,6% ; 5,1%), NDE 3,0% (1,3% ; 4,8%) och NIE 0,3% (0,1% ; 0,5%). Alla effektskattningar var signifikanta på 5% signifikansnivå. Resultatet styrker att de med låg socioekonomisk status har högre risk för sämre utfall efter stroke och att denna risk till viss del förklaras av högre förekomst av riskfaktorer. Efter mediationsanalysen följde en sensitivitetsanalys där det undersöktes hur känsliga effektskattningarna är för icke-observerade störfaktorer. I sensitivitetsanalysen framkom att skattningarna av NIE är mer känsliga för icke-observerade störfaktorer mellan exponering, mediator och utfall än skattningarna av NDE. När korrelationen mellan feltermerna för exponering och mediator samt mellan mediator och utfall är positiv blir skattningen av NIE icke-signifikant eller negativ. Detta gäller båda utfallen. För båda utfallen gäller även att skattningarna av NDE ej är känslig för korrelation mellan feltermerna för exponering och mediator men känslig för negativ korrelation mellan mediator och utfall och positiv korrelation mellan exponering och utfall.

Risken att avlida efter en viss typ av tarmoperation antas vara högre en tid efter operationen för att sedan minska till en lägre jämn nivå. Denna studies syfte är att undersöka om och när denna fasövergång sker och om detta resultat skiljer sig åt mellan olika subgrupper i data. Segmenterade linjära modeller skapades för att skatta skillnader i riskfunktionen över tid. Detta resulterade i en skattad fasövergång vid ca 17 dagar. Då data grupperades baserat på ålder skattades fasövergången till ca 10 dagar för gruppen yngre än 65 år, och ca 18 dagar för gruppen 65 år eller äldre. Sedan undersöktes skillnader mellan olika grupper för ett klassificeringssystem som kallas ASA. Dessa resultat var att  fasövergången blev skattad till ca 6 dagar för ASA 1, ca 17 dagar för ASA 2 och ca 16 dagar för ASA 3.

Syftet med uppsatsen är att undersöka samband mellan kognitiva test och insjuknande i demens. Demens är en samlingsdiagnos för sjukdomar som är kopplade till nedsatt kognitiv förmåga. Symptom inkluderar försämrad minnesfunktion och personlighetsförändringar. Data är insamlad av den longitudinella studien Betula vid Umeå universitet. Vid upprepade testtillfällen genomfördes minnestester för att mäta deltagarnas minnesfunktion och kognitiva förmåga. Minnestestresultat analyseras med en utvidgning av Cox Proportional Hazards Model med tidsvarierande kovariat. Genom att analysera testresultat som varierar över tid erhölls uppdaterad information om deltagarnas kognitiva tillstånd. Vidare jämförs den utvidgade modellen med en klassisk Coxmodell med baslinjedata. Modellering inkluderar även kontrollvariabeln ApoE4 som är en genvariant som innebär förhöjd demensrisk. Resultaten visar samband mellan demens och test som mäter episodminne och visuospatial förmåga. Den utvidgade modellen med tidsvarierande testresultat föredras som modellval.

Imbalanced data is a major problem in machine learning classification, since predictive performance can be hindered when one class occurs more frequently than the others. For example, in medical science, imbalanced data sets are very common. When searching for rare diseases in a population, the healthy proportion can be extremely large in comparison to the proportion with a disease.This raises a problem, because when a model is given only a few example observations of one class and a larger amount of observations of the other, the model tends to be biased towards the majority class. When the label with less occurrences is of great importance, or if both labels must be correctly classified, this creates a problem. In deep learning and image classification, there is a lack of research on how Convolutional Neural Networks perform on imbalanced data compared to other classifiers. The goal of this thesis is to analyze and compare the performance of Convolutional Neural Networks against the k-Nearest-Neighbor algorithm. Performance is evaluated on a data set that is modified with increasingly imbalanced classes. The results show that imbalanced data does have a negative effect on the performance of Convolutional Neural Networks for classifying the minority classes, but to a lesser degree than for the k-Nearest-Neighbor algorithm.

Studien har som mål att undersöka utfall efter stroke med hjälp av två statistiska modeller. Mer specifikt är det av intresse att prediktera risken att avlida eller få en nedsatt funktionsförmåga efter en stroke samt även jämföra prediktionsförmågan för de två modellerna. För att undersöka detta har en Ordinal regression och Random Forest modell applicerats på ett datamaterial från det svenska strokeregistret Riksstroke. Båda modellerna producerar bra prediktioner som hade ett testfel på cirka 25 procent. Resultaten visar att det inte finns några större skillnader mellan modellerna i avseende på  prediktionsförmåga. Då resultaten är liknande vägs även andra aspekter in i jämförelsen. Ordinal regression har en hög tolkningsbarhet på modellkoefficienterna medan Random Forest är mer svårtolkad. Även modelleringsprocessen tas i beräkning där Ordinal regression kräver mer manuell hantering än Random Forest.

No description available.

No description available.

Over the past few years there has been an exponentially increasing attention in financetowards socially responsible investments which creates a need to determine whether acompany is socially responsible or not. The ESG ratings often used to do this are based onEnvironmental, Social and Governance related data about the companies and have manyflaws. This thesis proposes to instead model them by their controversies discussed in themedia. It tries to answer the question if it is possible to predict future controversies of acompany by its controversies and ESG indicators in the past and to isolate predictors whichinfluence these. This has not been done before and offers a new way of rating companieswithout falling for the biases of conventional ESG ratings. The chosen method to approachthis issue is the Zero Inflated Poisson Regression with Random Intercepts. A selectionof variables was determined by Lasso and projection predictive variable selection. Thismethod discovered new connections in the data between ESG indicators and the numberof controversies but also made it apparent that it is difficult to make predictions for futureyears. Nether the less the coefficients of the selected indicators can give a valuable insightinto the potential risk of an investment.

Kungliga biblioteket (National Library of Sweden, KB) uses Optical Character Recognition (OCR) engines to extract and segment texts from their archive of daily newspaper articles. These systems are good at extracting and segmenting text on the paragraph level and lower (i.e., sentences, words, and characters), but less on the article level, resulting in the segmentation of articles into text blocks not attached to their articles. In this thesis, BERT, a natural language processing (NLP) model, is fine-tuned on newspaper articles and used to reconstruct these articles by predicting if a text block is the next or not.  A small data set of 127 text blocks from 21 articles is used.  The best performing BERT achieved an accuracy of 94% on text block pair prediction when the blocks are ordered. It resulted in 13 reconstructed articles. The performance was reduced when selecting from all possible, unordered text pairs. It was also found that BERT performs well on clustering text blocks from the same articles.

The aim of this thesis is to investigate what in the ad insertion affects how fast a car is sold on Blocket, a Swedish marketplace for second-hand goods. The method, through which the issue was investigated, is the machine learning algorithm random forest. Three models have been created and optimized, each with different datasets. Despite the models’ differences, the results were similar for the three models – their R2 and MAE values indicate that the variables for ad insertion explain little about how long it takes until a car is sold on Blocket. Of the variables in the models, the most important in all three models had to do with the pricing of the car. The results also show that the length of the description, is the second most important variable that the seller can impact herself, of those variables included in this investigation.