Non-cardiac surgeries conducted globally each year often lead to cardiac complications,with myocardial injury commonly occurring within 30 days post-surgery. This thesis investigates the correlation between intra-operative signals and myocardial injuryusing machine learning models. The study focuses on analyzing intra-operative STelevation, heart rate, diastolic blood pressure, and pulse pressure variation. Multiplemachine learning models, including decision tree and random forest classifiers, weredeveloped and evaluated using two approaches: the sequence of event times and comprehensive event features.The results indicate that intra-operative physiological signals are valuable predictorsof myocardial injury, with random forest models generally outperforming decision treemodels. However, limited and unbalanced data posed challenges, affecting model performance variability. This research establishes a framework for enhancing predictivemodels and monitoring strategies to improve patient outcomes. / Icke-kirurgiska operationer som genomförs globalt varje år leder ofta till hjärtrelaterade komplikationer, där myokardskada vanligtvis uppstår inom 30 dagar efteroperationen. Denna avhandling undersöker sambandet mellan intraoperativa signaleroch myokardskada med hjälp av maskininlärningsmodeller. Studien fokuserar påatt analysera intraoperativa ST-höjning, hjärtfrekvens, diastoliskt blodtryck ochpulstrycksvariation. Flera maskininlärningsmodeller, inklusive beslutsträd- ochrandom forest-klassificerare, utvecklades och utvärderades med hjälp av två tillvägagångssätt: sekvensen av händelsetider och omfattande händelseegenskaper.Resultaten visar att intraoperativa fysiologiska signaler är värdefulla prediktorer förmyokardskada, där random forest-modeller generellt presterar bättre än beslutsträdmodeller. Begränsad och obalanserad data utgjorde dock utmaningar som påverkademodellens prestandavariabilitet. Denna forskning etablerar en ram för att förbättraprediktiva modeller och övervakningsstrategier för att förbättra patientutfall.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-348186 |
| Date | January 2024 |
| Creators | Kasem Alchar, Majd |
| Publisher | KTH, Medicinteknik och hälsosystem |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | TRITA-CBH-GRU ; 2024:088 |
Page generated in 0.0016 seconds