Return to search

Ταξινόμηση κλινικών περιπτώσεων κοιλιακών άλγων με υλοποίηση τεχνικών υπολογιστικής νοημοσύνης

Σκοπός της παρούσας διπλωματικής εργασίας είναι η ταξινόμηση κλινικών περιπτώσεων κοιλιακών αλγών και συγκεκριμένα περιπτώσεων σκωληκοειδίτιδας σε παιδιά ηλικίας μέχρι 14 ετών μέσω ενός εργαλείου που υλοποιούμε. Βασικός λόγος για τη κατασκευή αυτού του εργαλείου αποτέλεσε η δυσκολία στη πρόβλεψη της ασθένειας από τους ειδικούς (κατά μέσο όρο γίνονται 20% - 30% αχρείαστες εγχειρήσεις), η συχνή σύγχυσή της με άλλες περιπτώσεις κοιλιακών αλγών ενώ το ποσοστό θνησιμότητας στα παιδιά με σκωληκοειδίτιδα ποικίλλει από 0,1% - 1%.
Βασισμένοι σε ένα σύνολο δεδομένων από τη Παιδοχειρουργική Κλινική του Πανεπιστημιακού Νοσοκομείου της Αλεξανδρούπολης, διεξάγουμε αναζήτηση των καλύτερων παραμέτρων για τη κατασκευή μοντέλων ταξινομητών βασισμένων στις τρεις παρακάτω τεχνικές Υπολογιστικής Νοημοσύνης: α) τα Τεχνητά Νευρωνικά Δίκτυα, β) τις Μηχανές Διανυσμάτων Υποστήριξης και γ) τα Τυχαία Δάση.
Χρησιμοποιώντας ένα σύνολο 14 κλινικών και εργαστηριακών παραγόντων, υλοποιούμε μοντέλα ταξινομητών. Η βασική ιδέα για την υλοποίηση τους είναι η αντιμετώπιση των παρακάτω προβλημάτων: : α) έχει το παιδί σκωληκοειδίτιδα ή όχι; β) Αν έχει σκωληκοειδίτιδα, ποιος τρόπος αντιμετώπισής της ενδείκνυται: χειρουργική επέμβαση ή συντηρητική αγωγή;
Μετά την εύρεση των βέλτιστων μοντέλων από κάθε μία από τις μεθόδους Υπολογιστικής Νοημοσύνης που χρησιμοποιήθηκαν, υλοποιήθηκε ένα εργαλείο εύχρηστης διεπαφής χρήστη στο προγραμματιστικό περιβάλλον της Matlab 2012a το οποίο ευελπιστούμε ότι θα υποβοηθήσει τους ειδικούς στη λήψη απόφασης για τη πορεία ενός νεαρού ασθενούς που εισέρχεται στο νοσοκομείο παραπονούμενος για σκωληκοειδίτιδα. Το εργαλείο αυτό ελέγχθηκε με καινούργια πραγματικά κλινικά δεδομένα από το Καραμανδάνειο Νοσοκομείο Παίδων Πατρών και η απόδοσή του ήταν ενθαρρυντική. / The purpose of this paper is the classification of clinical cases of abdominal
pain and, to be more precise, the prediction of cases with acute appendicitis at
children aged up to 14 years old through a tool that we implement. The main
reasons for the construction of this tool are: a) the difficulty in the prediction of the
appendicitis since the 20%-30% of the operations made from the experts for this
disease are gratuitous, b) the frequent confusion that there is with other diseases
that cause abdominal pain and c) the mortality rate at children with appendicitis
varies from 0,1% to 1%.
Based on a data set from the Department of the Child Surgery of the Hospital
of the University of Alexandroupolis, we conduct a search of the best parameters for
the construction of model classifiers based on the three following techniques of the
Computational Intelligence: a) the Artificial Neural Networks, b) the Support Vector
Machines and c) the Random Forests.
The basic idea for the implementation of these models is, based on a sum of
14 clinical and laboratory factors, facing the following questions: a) if a child has
appendicitis or not?, b) and if it does have appendicitis, which way should we follow
to cure it: operational surgery or medication?
After finding these best models, we implement a tool which is actually a
Graphical User Interface of Matlab 2012a which we hope that will assist the experts
in making the correct decision about a young patient that goes to the hospital
complaining for appendicitis. This tool was tested on new real clinical data of
patients of the Child Hospital of Patras and its performance was found really
encouraging.

Identiferoai:union.ndltd.org:upatras.gr/oai:nemertes:10889/6070
Date07 June 2013
CreatorsΜητρούλιας, Αθανάσιος
ContributorsΛυκοθανάσης, Σπυρίδων, Mitroulias, Athanasios, Χατζηλυγερούδης, Ιωάννης, Μαυρουδή, Σεφερίνα
Source SetsUniversity of Patras
Languagegr
Detected LanguageGreek
TypeThesis
Rights0
RelationΗ ΒΚΠ διαθέτει αντίτυπο της διατριβής σε έντυπη μορφή στο βιβλιοστάσιο διδακτορικών διατριβών που βρίσκεται στο ισόγειο του κτιρίου της.

Page generated in 0.0019 seconds