Return to search

Risk Stratification of Acute Coronary Syndrome using Machine Learning : An analysis of CLEOS-CPDS data / Riskbedömning av akuta koronara syndrom med hjälp av maskininlärning : En analys av CLEOPS-CPDS data

Chest pain is one of the most common complaints amongst patients seeking urgent medical care at hospitals. Chest pain can be a symptom of serious cardiovascular disease such as acute coronary syndrome (ACS), however, most underlying causes are benign. Risk stratification in early stages of medical evaluation is difficult. As a consequence, many patients with chest pains are unnecessarily admitted to hospitals. There is precedent for using machine learning (ML) to aid in predicting cardiovascular disease. In this thesis, our goal is to investigate the feasibility of using ML as a complement to safely discharge patients. We use data collected by the ‘Clinical Expert Operating System - Chest Pain Danderyd Study’ (CLEOS-CPDS). Several models are developed to predict the risk of ACS following chest pains and for identifying important factors. Our best performing model on the highest risk class uses the random forest algorithm. The model has a recall score of 0.58 on the highest risk class using a subset of the medical history background. It admits 10 out of 12 patients who ultimately suffers from ACS, however, only 7 out of 12 are classified as high risk. Identified important features are mostly known risk factors, some of which are used in current risk calculations. However, less known factors such as chest pain radiation and associated symptoms, are also identified as important. The conclusion is that it is feasible to use a machine learning model to aid in risk stratification of ACS in early stages of evaluation, but that the current model needs improvement. In future work, a larger and more complete dataset with a longer follow-up period of patients may be highly beneficial to improve the model performance and verify the conclusions of this thesis. / En av de vanligaste orsakerna till att patienter söker akut sjukvård är bröstsmärta. Bröstsmärta kan vara ett symptom på livshotande sjukdom såsom akuta koronara syndrom (AKS), vilket innefattar hjärtinfarkt. Men i de allra flesta fall brukar orsakerna vara ofarliga. Det är svårt att bedöma bröstsmärtor i ett tidig skede och som en konsekvens utreds många patienter kanske i onödan, för att inte missa AKS. Vårt mål med den här rapporten är att utreda möjligheten att använda maskininlärning som stöd i riskbedömningen. Vi försöker identifiera viktiga faktorer i ett tidigt skede som kan hjälpa läkare att på ett säkert sätt utesluta allvarlig sjukdom. Detta görs genom att vi utvecklar flera maskininlärningsmodeller och jämför dessa mot varandra. Vi använder oss av data insamlad genom den pågående studien ‘Clinical Expert Operating System - Chest Pain Danderyd Study‘ (CLEOS-CPDS). Modellen bäst på att förutspå hög risk väljs sedan ut och analyseras närmare. Resultatet är en ‘Random Forest‘ modell. Modellen klassificerar åtminstone inläggning i 10 av 12 allvarliga fall, varav 7 av 12 fall klassificeras helt korrekt. Flera välkända riskfaktorer identifieras som viktiga, varav en del, men inte alla, redan ingår i nuvarande riskkalkyler. Vår slutsats är att det finns goda chanser att använda maskininlärning som ett komplement i sjukvården för att kunna utesluta allvarlig sjukdom, men att den nuvarande modellen behöver förbättras. För att säkerställa resultaten från denna rapport och förbättra modellen kan framtida undersökningar med fördel genomföras på mer data i fullständigare skick, samt med längre uppföljningstid på patienterna.

Identiferoai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-321409
Date January 2022
CreatorsAli, Glacier, Gustavsson, Rebecka
PublisherKTH, Skolan för elektroteknik och datavetenskap (EECS)
Source SetsDiVA Archive at Upsalla University
LanguageEnglish
Detected LanguageSwedish
TypeStudent thesis, info:eu-repo/semantics/bachelorThesis, text
Formatapplication/pdf
Rightsinfo:eu-repo/semantics/openAccess
RelationTRITA-EECS-EX ; 2022:580

Page generated in 0.0023 seconds