The maintenance of medical devices is of great importance to ensure that the devices are stable, well-functioning, and safe to use. The current method of maintenance, which is called preventive maintenance, has its advantages but can be problematic both from an operators’ and a manufacturers’ side. Developing a model that will predict failure in anesthesia machines can be of great use for the manufacturer, the customers, and the patients. This thesis sets to examine the possibility of creating a predictive maintenance model for anesthesia machines by utilizing device data and machine learning. This thesis also investigates the influence of the data on the model performance and compare different lag sizes and future horizons to model performance. The time-series data collected came from 87 unique devices and a specific test was chosen to be the output variable of the model. A whole pipeline was created, which included pre-processing of the data, feature engineering, and model development. Feature extraction was done on the time series data, with the help of a library called tsfresh, which transformed time series characteristics into features that would enable supervised learning. Two models were developed: logistic regression and XGBoost. The logistic regression model acted as a baseline model and the result of its performance was as expected, quite poor. The XGBoost yielded an AUCPR score of 0.21 on the full dataset and 0.32 on a downsampled dataset. Although a quite low score, it was surprisingly high considering the extreme class imbalance that existed in the dataset. No clear pattern was found between the lag sizes and future horizons with the model performance. Something that could be seen was that the data imbalance had a great impact on the model performance, which was discovered when the downsampled dataset with less class imbalance yielded a higher AUCPR score. / Underhållet av medicintekniska produkter är mycket viktigt för att säkerställa att enheterna är stabila, välfungerande och säkra att använda. Den nuvarande underhållsmetoden, som kallas förebyggande underhåll, har sina fördelar men kan vara problematisk både från operatörens och tillverkarsidan. Att utveckla en modell som förutsäger fel i anestesimaskiner kan vara till stor nytta för tillverkaren, kunderna och patienterna. Denna avhandling syftar till att undersöka möjligheten att skapa en förutsägbar underhållsmodell för anestesimaskiner genom att använda enhetsdata och maskininlärning. Denna avhandling undersöker också påverkan av data på modellprestanda och jämför olika fördröjningsstorlekar och framtida horisonter med modellprestanda. Tidsseriedata som samlats in kom från 87 unika enheter och ett specifikt test valdes för att vara modellens outputvariabel. En hel pipeline skapades, som inkluderade förbehandling av data, funktionsteknik och modellutveckling. Funktionsextraktion gjordes på tidsseriedata med hjälp av ett bibliotek som heter tsfresh, som förvandlade tidsserieegenskaper till funktioner som skulle möjliggöra övervakat lärande. Två modeller utvecklades: logistisk regression och XGBoost. Den logistiska regressionsmodellen fungerade som en basmodell och resultatet av dess prestanda var som förväntat ganska dåligt. XGBoost gav en AUCPR-poäng på 0,21 på hela datamängden och 0,32 på en nedmonterad datamängd. Även om det var en ganska låg poäng, var det överraskande högt med tanke på den extrema klassobalansen som fanns i datasetet. Inget tydligt mönster hittades mellan fördröjningsstorlekarna och framtida horisonter med modellprestanda. Något som kunde ses var att dataobalansen hade stor inverkan på modellens prestanda, vilket upptäcktes när den nedprovade datamängden med mindre obalans i klassen gav en högre AUCPR-poäng.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-283323 |
| Date | January 2020 |
| Creators | Numanovic, Kerim |
| Publisher | KTH, Tillämpad fysik |
| 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-SCI-GRU ; 2020:319 |
Page generated in 0.0017 seconds