Clinical trials are experiments or observations on a patient’s responses of different medical treatments to cure diseases. Such trials are heavily regulated and must achieve a certain quality standard of the trial and clinical adherence is a determining factor on the success of a study. However, it has historically been difficult to systematically follow and understand patient adherence to medical ordinations, predominately due to lack of proper tools. One new type of tools is a digital pillbox that can be used to supply pills to participants in clinical trials. This paper examines implementing two supervised machine learning models to detect if an object (a pill) is found in an encapsulated compartment (pillbox) based on electromagnetic radiation data from a proximity sensor. Support Vector Machine (SVM) and Random Forest (RF) were evaluated on a data set of N=1,485 observations, consisting of five classes: four different pills and ‘no pill’. RF performs best with accuracy of 98.0% and weighted average precision of 98.0%. SVM had 97.3% accuracy and 97.6% weighted average precision. Best performance was achieved at N=1,000 for RF and 1,100 for SVM. The conclusion was that a high accuracy and precision can be achieved using either RF or SVM. The classification model strengthens the value proposition of a digital pillbox and can improve clinical trials to achieve better data quality. However, for the model to contribute actual economical value, digital pillboxes must be a common practice in clinical trials. / Kliniska studier är experiment eller observationer av en patients reaktion på olika typer av medicinsk vård för behandling sjukdomar. Sådana studier är tungt reglerade och behöver uppnå en viss kvalitésstandard och klinisk följsamhet är en avgörande faktor för en studies framgång. Trots det har det historiskt varit svårt att systematiskt mäta och förstå en patients följsamhet av en medicinsk ordination, primärt på grund av brist av användbara verktyg. En ny typ av verktyg är en digital pillerbox som försörjer piller till deltagare i kliniska studier. Denna studie undersöker implementation av två bevakade maskininlärningsmodeller för detektion om ett objekt (ett piller) befinner sig i ett slutet fack baserad på elektromagnetisk strålning från en närhetssensor. Support Vector Machine (SVM) och Random Forest (RF) utvärderades på ett dataset av N=1 485 observationer utgjort av fem klasser: fyra piller och ’inget piller’. RF presterar bäst med 98,0% i träffsäkerhet och 98,0% i viktad medelprecision. SVM fick 97,3% träffsäkerhet och 97,6% viktad medelprecision. Bäst prestation uppnåddes vid N=1 000 för RF och N=1 100 för SVM. Slutsatsen var att en hög träffsäkerhet och precision kan uppnås genom antingen RF eller SVM. Klassificeringsmodellen förstärker en digital pillerbox värdeerbjudande och kan hjälpa kliniska studier att uppnå högre datakvalité. Däremot, för klassificeringsmodellen ska bidra med faktiskt ekonomiskt värde, behöver digitala pillerboxar vara en vedertagen praxis.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-280887 |
| Date | January 2020 |
| Creators | Heinke, Simon, Åberg, Marcus |
| Publisher | KTH, Skolan för elektroteknik och datavetenskap (EECS) |
| Source Sets | DiVA Archive at Upsalla University |
| Language | Swedish |
| Detected Language | English |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | TRITA-EECS-EX ; 2020:440 |
Page generated in 0.0029 seconds