Spelling suggestions: "subject:"ickefinansiell kirurgi"" "subject:"kardiell kirurgi""
1 |
Predicting Myocardial Injury After Noncardiac Surgery / Prediktion av myokardiell skada efter icke-kardiell kirurgiCauli, Giordano January 2023 (has links)
Myocardial injury is the leading cause of death in Europe following non-cardiac surgery. Its causes, diagnosis, and treatment are still under investigation by the scientific community. Some research groups have hypothesized a connection between myocardial injury and hypotension during surgery. This thesis investigated the development of a machine learning binary classifier to make a diagnosis of myocardial injury from a set of patients undergoing non-cardiac surgery. Furthermore, it aimed to clarify the potential of hypotension as a predictor of the pathology. After an evaluation of the requirements that the model had to meet, it was decided to use a decision tree. 4 features were selected combining ANOVA and the domain knowledge of the doctors. The classifier obtained a F1 macro-score of 0.68, showing to have potential in classifying patients as positive or negative. Among the selected features, hypotension obtained the lowest predictive power. Despite the performance of the model, further research is needed to validate the results across different populations and to investigate the use of hypotension as a predictor of myocardial injury. / Myokardiell skada är den främsta dödsorsaken i Europa efter icke-kardiell kirurgi. Dess orsaker, diagnos och behandling är fortfarande under utredning av vetenskapssamfundet. Vissa forskargrupper har hypotiserat om ett samband mellan myokardiell skada och hypotoni under operationen. Denna avhandling undersökte utvecklingen av en binär klassificerare med maskininlärning för att ställa diagnos på myokardiell skada hos en grupp patienter som genomgick icke-kardiell kirurgi. Dessutom syftade den till att klargöra hypotoniens potentiella betydelse som en prediktor för sjukdomen. Efter en utvärdering av modellens krav beslutades det att använda ett beslutsträd. Fyra egenskaper valdes ut genom att kombinera ANOVA och läkarnas domänkunskap. Klassificeraren uppnådde en F1-makropoäng på 0,68 och visade potential att klassificera patienter som positiva eller negativa. Bland de valda egenskaperna hade hypotension den lägsta prediktiva förmågan. Trots modellens prestanda behövs ytterligare forskning för att validera resultaten i olika populationer och undersöka användningen av hypotension som en prediktor för myokardiell skada.
|
Page generated in 0.0709 seconds