National and Kapodistrian University of Athens
Μελέτη της κλινικής έκβασης χειρουργημένων ασθενών με εφαρμογή αλγορίθμων Μηχανικής Μάθησης
Abstract
dc:descriptionΟ υποσιτισμός αποτελεί ένα συχνό και κλινικά σημαντικό φαινόμενο σε χειρουργημένους ασθενείς, επηρεάζοντας αρνητικά την μετεγχειρητική πορεία, την εμφάνιση επιπλοκών και τη συνολική έκβαση της νοσηλείας. Η έγκαιρη αναγνώριση ασθενών υψηλού κινδύνου και η πρόβλεψη της κλινικής τους έκβασης αποτελούν κρίσιμα ζητήματα για τη βελτίωση της ποιότητας της παρεχόμενης φροντίδας. Στο πλαίσιο αυτό, η εφαρμογή αλγορίθμων Μηχανικής Μάθησης, μέσω της ανάλυσης πολύπλοκων κλινικών δεδομένων, προσφέρει χρήσιμες πληροφορίες για την λήψη των κατάλληλων κλινικών αποφάσεων που μπορούν να προάγουν την ομαλή μετεγχειρητική πορεία χειρουργημένων ασθενών. Σκοπός της παρούσας διπλωματικής εργασίας είναι η εφαρμογή και η αξιολόγηση αλγορίθμων Επιβλεπόμενης Μηχανικής Μάθησης για την πρόβλεψη της κλινικής έκβασης χειρουργημένων ασθενών, με βάση κλινικά και διατροφικά χαρακτηριστικά. Για τον σκοπό αυτό χρησιμοποιήθηκαν δομημένα κλινικά δεδομένα ασθενών από το νοσοκομείο «Γ.Ν.Α. Ο ΕΥΑΓΓΕΛΙΣΜΟΣ-ΠΟΛΥΚΛΙΝΙΚΗ», τα οποία υποβλήθηκαν σε κατάλληλη προεπεξεργασία, συμπεριλαμβανομένης της διαχείρισης ελλειπουσών τιμών και της κανονικοποίησης των μεταβλητών. Εφαρμόστηκαν αλγόριθμοι κατηγοριοποίησης βασισμένοι σε δέντρα αποφάσεων, όπως ο Decision Tree, καθώς και o Random Forest και ο XGBoost, που αποτελούν εξέλιξη του Decision Tree. Η αξιολόγηση των μοντέλων πραγματοποιήθηκε με τη χρήση κατάλληλων μετρικών απόδοσης, όπως η Σταθμισμένη Ισορροπημένη Ακρίβεια (Balanced Accuracy Weighted), η ευαισθησία (recall), η ακρίβεια (precision), το F1-score και ο συντελεστής Cohen’s kappa, λαμβάνοντας υπόψιν το πρόβλημα της ανισορροπίας κλάσεων που χαρακτήριζε τα κλινικά δεδομένα. Επιπλέον, διερευνήθηκε η επίδραση τεχνικών υπερδειγματοληψίας, όπως η μέθοδος SMOTE, καθώς και διαφορετικών στρατηγικών επικύρωσης, όπως η k-fold διασταυρούμενη επικύρωση. Υψηλότερο ποσοστό ορθής πρόβλεψης μεταξύ των τριών μοντέλων εμφανίζει εκείνο του Random Forest, όπου η διαδικασία διαχωρισμού και επικύρωσης των δεδομένων για την εκπαίδευση του αλγορίθμου έγινε με τη στρωματοποιημένη δειγματοληψία του κόμβου Table Partitioner με μονομερή διαχωρισμό 80/20, με τιμές για τις μετρικές Balanced Accuracy Weighted, Cohen’s kappa και Macro F1-score, τις 0.84, 0.54 και 0.79 αντίστοιχα. Δεύτερο στην κατάταξη μοντέλο ήταν του αλγορίθμου XGBoost με την ίδια μέθοδο διαχωρισμού και επικύρωσης των δεδομένων με το προηγούμενο μοντέλο, με τιμές για τις μετρικές Balanced Accuracy Weighted, Cohen’s kappa και Macro F1-score, τις 0.79, 0.47 και 0.78 αντίστοιχα. Τρίτο στην κατάταξη μοντέλο ήταν του αλγορίθμου Random Forest, με μέθοδο διαχωρισμού και επικύρωσης των δεδομένων για την εκπαίδευση του αλγορίθμου την k-fold διασταυρούμενη επικύρωση του κόμβου X-Partitioner σε συνδυασμό με την τεχνική υπερδειγματοληψίας SMOTE, με τιμές για τις μετρικές μετρικές Balanced Accuracy Weighted, Cohen’s kappa και Macro F1-score, τις 0.79, 0.49 και 0.72 αντίστοιχα. Και τα τρία αυτά μοντέλα Επιβλεπόμενης Μηχανικής Μάθησης κατάφεραν να κατηγοριοποιήσουν ικανοποιητικά τρεις από τις πέντε κλάσεις της κατηγορίας-στόχου, οι οποίες υπερτερούσαν σε αριθμό δεδομένων. Οι αλγόριθμοι βασισμένοι σε ensemble μεθόδους (μεθόδους συνόλου), Random Forest και XGBoost, παρουσιάζουν ικανοποιητική απόδοση στην πρόβλεψη της κλινικής έκβασης, αναδεικνύοντας τη δυναμική της Μηχανικής Μάθησης ως εργαλείου υποστήριξης της κλινικής απόφασης.
Author and committee
dc:creator, dc:contributor.*- Authors dc:creator
-
- Πάσιος Γεώργιος
- Pasios Georgios
Subjects
dc:subject × 2Rights
- Language dc:language
- Ελληνικά, Greek
Identifiers
dc:identifier.*- Identifier
- uoadl:5324789