Errors in medical testing may cause serious problems that has the potential to severely hurt patients. There are many machine learning methods to discover such errors. However, due to the rarity of errors, it is difficult to collect enough examples to learn from them. It is therefore important to focus on methods that do not require human labeling. This study presents a comparison of neural network-based models for the detection of analytical errors in blood tests containing five markers of cardiovascular health. The results show that error detection in blood tests using deep learning is a promising preventative mechanism. It is also shown that it is beneficial to take a multivariate approach to error detection so that the model examines several blood tests at once. There may also be benefits to looking at multiple health markers simultaneously, although this benefit is more pronounced when looking at individual blood tests. The comparison shows that a supervised approach significantly outperforms outlier detection methods on error detection. Given the effectiveness of the supervised model, there is reason to further study and potentially employ deep learning-based error detection to reduce the risk of errors. / Fel i medicinska tester kan orsaka allvarliga problem som har potential att allvarligt skada patienter. Det finns många maskininlärningsmetoder för att upptäcka sådana fel. Men på grund av att felen är sällsynta så är det svårt att samla in tillräckligt många exempel för att lära av dem. Det är därför viktigt att fokusera på metoder som inte kräver mänsklig märkning. Denna studie presenterar en jämförelse av neurala nätverksbaserade modeller för detektering av analytiska fel i blodprov som innehåller fem markörer för kardiovaskulär hälsa. Resultaten visar att feldetektering i blodprov med hjälp av djupinlärning är en lovande förebyggande mekanism. Det har också visat sig att det är fördelaktigt att använda ett multivariat tillvägagångssätt för feldetektering så att modellen undersöker flera blodprov samtidigt. Det kan också finnas fördelar med att titta på flera hälsomarkörer samtidigt, även om denna fördel är tydligare när modellen tittar på individuella blodprov. Jämförelsen visar att ett övervakat tillvägagångssätt avsevärt överträffar metoder för detektering av extremvärden vid feldetektering. Med tanke på effektiviteten av den övervakade modellen finns det anledning att studera tillvägagångssättet vidare och eventuellt använda djupinlärningsbaserad feldetektering för att minska risken för fel.

This study aimed at describing the characteristics of daily precipitation and discharge extremes in the Adige river basin at the city of Trento. Annual maximum series for the period 1975−2014 were analyzed in terms of trends, seasonality indices and L-moments. A Mann-Kendall trend analysis showed a weak but significant signal of decreasing ex-tremes; the percentages of sites with significant negative trends were overall larger than the significance levels. Precipitation extremes were characterized primarily by autumn storms, while floods had a stronger seasonality with peaks occurring predominantly in June and July which indicated that the timing not solely explained by rainfall maxima. The Adige basin was found to be a homogenous region with respect to precipitation, but the results did not support a corresponding assumption for discharge. A regional fre-quency analysis was performed for precipitation data and found both the Pearson type III and generalized normal distributions to be adequate regional frequency distributions. The extreme daily precipitation at Trento with a 100-year return period was estimated to be between 114 and 148 mm/d. / Egenskaperna hos extremvärden av dygnsnederbörd och -vattenföring i Adigeflodens av-rinningsområde vid staden Trento undersöktes. Serier med årsmaxima för perioden 1975–2014 analyserades med avseende på trender, säsongsindex och L-moment. Trendanalys med Mann-Kendallmetod antydde en svag men signifikant signal om minskande extrem-värden, då andelen mätstationer med signifikant negativa trender överlag var större än signifikansnivån. Den extrema nederbörden karakteriserades huvudsakligen av höststor-mar, medan vattenföringen hade en starkare säsongsbundenhet då maxima inträffade främst under juni och juli. Vattenföringens extremvärden kunde därmed inte enbart för-klaras av nederbördsmaxima. Avrinningsområdet kunde betraktas som en homogen reg-ion för nederbörd, men resultaten gav inte stöd åt ett motsvarande antagande för vatten-föring. En regional frekvensanalys genomfördes för nederbördsdata och visade att Pear-son typ III och den generaliserade normalfördelningen var lämpliga regionala sannolik-hetsfördelningar. Över Trento uppskattades den extrema dygnsnederbörden med en åter-komstperiod på 100 år till mellan 114 och 148 mm/d.