Geri Dön

Machine learning models for identifying cause effect relationship in medical treatment data

Tıbbi tedavi verilerinden sebep sonuç ilişkilerinin makina öğrenim yöntemleri ile belirlenmesi

  1. Tez No: 679547
  2. Yazar: MOHAMMED ABEBE YIMER
  3. Danışmanlar: DR. ÖĞR. ÜYESİ ÖZLEM AKTAŞ
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Bilim ve Teknoloji, Computer Engineering and Computer Science and Control, Science and Technology
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2021
  8. Dil: İngilizce
  9. Üniversite: Dokuz Eylül Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 119

Özet

Sağlık sektörü, çeşitli kaynaklardan toplanan bir veri hazinesiyle donatılmıştır. Bu büyük miktardaki veri harikalar yaratmak için kullanılabilir. Bu çalışmada, tıbbi tedavi verilerini kullanarak yoğun bakım ünitesi hastalarında günlük tıbbi değişiklikleri gözlemlemek ve yakalamak için temel bileşen analizini ana yöntem olarak kabul edilmiştir. Sonuçlar, bir müdahaleden sonra hangi laboratuar testlerinin değişkenlik gösterdiğini ve ilişkili epifenomenleri ile ilgili hekimleri bilgilendirmek için kullanılabilecektir. Ayrıca, hangi tedavi veya tanının daha sonra uygulanacağı, hangi reçetelerin verilmesi veya kaçınılması gerektiği gibi kararlar verebilmek için bir ipucu olarak kullanılabilecektir. Deneysel analiz sonuçları, temel bileşen analizinin belirli bir tedavi veya müdahaleden sonra hastanın günlük değişiklikler yakalayabildiğini göstermektedir. Model geçerliliği ve kararlılığı permütasyon ve önyükleme testi kullanılarak değerlendirilmiştir. Her iki durumda da, model hem tek kuyruklu hem de iki kuyruklu istatistiksel anlamlılık testleri için kabul edilebilir bir önem seviyesi sergilemektedir. Ayrıca nedensel etki analizi, Bayesci yapısal zaman serisi modelleri kullanılarak yapılmıştır. Sonuçlar, yaklaşımın tıbbi müdahalelerden bir neden-sonuç ilişkisi kurmak için büyük miktarlarda hasta verilerini yorumlamak için umut verici sonuçlar sağladığını ve bir erken uyarı sistemi olarak kullanılabileceğini göstermiştir. Bu çalışma, temel bileşen analizinin hastanın değişen koşulları hakkında klinisyenlere bir uyarı sağlama ve izleme kabiliyetlerini göstererek, hastalara zamanında müdahale fırsatları sağlama yeteneğini yansıtmaktadır. Diğer makine öğrenimi modelleriyle birleştirilirse, bu yaklaşım klinik karar vermeyi destekleyebilecek, daha iyi hasta sağlığı sonuçları için hastaya özel etkili bakımı sağlayabilir.

Özet (Çeviri)

The healthcare industry is equipped with a treasure trove of data gathered from various sources. This massive amount of data can be used to work wonders. In this study, we used a carefully selected subset of data from the Medical Information Mart for Intensive Care database. We adopted principal component analysis as the main method, to observe and capture the daily medical changes in intensive care unit patients from their medical treatment data. The results can be used to inform the attending physicians, which laboratory tests are exhibiting variances after an intervention along with their associated epiphenomenon. This will be used to make decisions such as, which treatment or diagnosis to apply further or which prescriptions to give/avoid. Experimental analysis results indicate that principal component analysis was able to capture daily patient changes after a certain treatment or intervention. Model validity and stability are evaluated using permutation and bootstrap tests. In both cases, the model exhibited an acceptable significance level. Moreover, causal impact analysis is conducted using Bayesian structural time-series models. Results showed that the approach provides promising results for interpreting large quantities of patient data for establishing a cause-effect relationship from medical interventions and be used as an early warning system. The study reflected the capability of principal component analysis to monitor and provide an alert to the clinicians about the patient's conditions, thereby providing opportunities for timely interventions. If combined with other AI models, the approach can be able to support medical decision making and enable effective patient-tailored care for better patient health outcomes.

Benzer Tezler

  1. İnsan gen yolaklarında ikâme modelleme ve makine öğrenmesi kullanarak varyant analizi

    Variant analysis in human gene networks using surrogate modelling and machine learning

    FURKAN AYDIN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Bilimleri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SÜHA TUNA

  2. Kentsel mikro iklimin iyileştirilmesine yönelik kent dokularında ısı adası etki değerlendirme ve azaltım stratejileri geliştirme modeli: İstanbul örneği

    The model of urban heat island impact assessment and mitigation strategies in urban fabric to improve urban microclimate: The case of İstanbul

    DENİZ ERDEM OKUMUŞ

    Doktora

    Türkçe

    Türkçe

    2022

    Şehircilik ve Bölge Planlamaİstanbul Teknik Üniversitesi

    Şehir ve Bölge Planlama Ana Bilim Dalı

    PROF. DR. FATİH TERZİ

  3. Toplam kalite yönetimi, kalite güvencesi sistemleri ve Türkiye'deki uygulamaları

    Total quality management, quality assurance systems and their applications in Turkey

    AHMET BEŞKESE

    Yüksek Lisans

    Türkçe

    Türkçe

    1995

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    PROF.DR. ATAÇ SOYSAL

  4. Enhancing human resource decision making with image-based OSMI data analysis: leveraging PIX2PIX for accurate workplace mental health insights

    İş yeri mental sağlık incelemeleri için PIX2PIX kullanarak, görüntü tabanlı OSMI veri analiziyle insan kaynakları karar süreçlerini geliştirme

    FARIBA FARID

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. NİZAMETTİN BAYYURT

  5. Emlak vergisi için CBS ve makine öğrenmesi teknikleri kullanılarak toplu taşınmaz değerleme modeli tasarımı

    Designing a mass real estate valuation model using GIS and machine learning techniques for property taxation

    HALUK GÜL

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MAHMUT OĞUZ SELBESOĞLU