Knowledge graph representation of electronic health records for clinical predictions
Elektronik sağlık kayıtlarını temel alan bilge çizge temsillerinin klinik tahminlerde kullanımı
- Tez No: 759609
- Danışmanlar: DR. ÖĞR. ÜYESİ ÖZNUR TAŞTAN OKAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Sabancı Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 91
Özet
Birçok ülkede, hastaların temel klinik ve idari verileri artık sistematik olarak toplanıyor, kaydediliyor ve dijital formatlarda saklanıyor. Hastaya özel bu tıbbi verilere elektronik sağlık kayıtları (ESK) adı verilir. ESK'ler birçok farklı veri tipi içerir ve hastanın sağlık sistemi ile sağlık hizmeti sağlayıcısı ile karşılaşmalarındaki etkileşimi yakalar. Tıbbi verilerin sistematik ve dijital olarak toplanması, sağlık hizmetlerini geliştirmeyi hedefleyen, veriye dayalı teknolojiler için önemli bir fırsat sunuyor. Özellikle yoğun bakım üniteleri gibi yüksek belirsizlik ve yüksek risk içeren durumlarda bu sistemler, sağlık hizmeti sağlayıcılarına karar verme süreçlerinde yardımcı olarak tıbbi hataları azaltma potansiyeline sahiptir. ESK'ler sağlık alanındaki çeşitli sorunlara çözüm getirme potansiyeline sahip olsa da doğrudan tahmin modellerinde kullanılamazlar. Bu tezde, elektronik sağlık kayıtlarının makine öğrenim sistemlerinde zorluğa sebep olan özellikleri arasında, seyrek ve heterojen yapısı ile ilgili problemi aşmaya çalıştık. Bu çalışmada, yoğun bakımdaki hastaların farklı türdeki verilerini bilgi çizgesi olarak temsil edip, çizge üzerinde hastaların yoğun gösterimlerini öğrenen bir yöntem sunuyoruz. Sunduğumuz yöntem, sıkça kullanılan bilgi çizge gösterilim öğrenme yöntemlerini kullandık ve öğrenilen gösterimleri farklı yoğun bakım ünitesinde gerçekleşen tahmin görevlerinde kullandık. Bu görevler, yoğun bakım ünitelerinde ölüm tahmini ve kalış süresi tahminini içerdi. Bilgi çizgelerinden öğrenilen hasta gösterimleri, laboratuvar ölçümleri ve yaşamsal belirtileri gösterir veriler ile entegre ettik. Bu alanda örnek gösterilen bir çalışma ile karşılaştırıldığında, önerilen yöntem, dört farklı sınıflandırma görevinin üçünde üstün performans gösterir.
Özet (Çeviri)
In many countries, key clinical and administrative data of the patients are now systematically collected, recorded, and stored in digital formats. These patient-specific medical data are referred to as electronic health records (EHR). EHR data are rich; they capture patient-health care provider interaction at many encounters over time. This systematic digital collection of medical data presents a significant opportunity for developing data-driven technologies for transforming healthcare. Especially for high-stake situations with high uncertainty, such as in intensive care units (ICUs), these systems have the potential to reduce medical errors by assisting health care providers throughout their decision-making process. While EHRs have the potential to bring solutions to diverse problems in the healthcare ecosystem, their use direct in predictive models is not trivial. Among many properties that yield technical challenges in machine learning systems, we address its sparse and heterogeneous nature. In this study, we propose a strategy where one can unify the heterogeneous data types in a knowledge graph framework and learn a dense patient representation that encodes meaningful information from patient EHRs. Our framework employs widely adapted knowledge graph embedding methods and deploys them in different ICU prediction tasks. These tasks comprise mortality prediction and binarized length of stay prediction tasks. We augment the learned patient representation from the knowledge graphs with lab measurements and vital signs. Compared to a state-of-the-art model, the proposed representation achieves superior performance in three of the four different classification tasks.
Benzer Tezler
- Integer programming based analysis of decoding failures for LDPC codes
LDPC kodların kod çözümü hatalarının tam sayı programlama tabanlı analizi
ABDULLAH SARIDUMAN
Yüksek Lisans
İngilizce
2013
Elektrik ve Elektronik MühendisliğiBoğaziçi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. ALİ EMRE PUSANE
DOÇ. DR. ZEKİ CANER TAŞKIN
- Değiştirilmiş düğüm yöntemi kullanılarak durum denklemlerinin elde edilmesi
Obtoining of state equations using modified nodal analysis
BAHADIR ÖZDEMİR
Yüksek Lisans
Türkçe
1997
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiDevreler ve Sistemler Ana Bilim Dalı
PROF. DR. FUAT ANDAY
- Petri ağlarının incelenmesi ve örnek bir kontrol sistemine uygulanması
Investigation of petri nets and its application on a sample control system
CEM BAŞKOCAGİL
Yüksek Lisans
Türkçe
2004
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
DOÇ. DR. SALMAN KURTULAN
- Enhancing reliability in semantic communication: A stochastic approach to semantic-graph modeling
Anlamsal iletişimde güvenilirliğiarttırma: Anlamsal-grafik modellemesine stokastik yaklaşım
SADIK YAĞIZ YETİM
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ORHAN ARIKAN
- Relaying opportunities for wireless networks by applying network coding
Kablosuz ağlar için ağ kodlamalı aktarma fırsatları
SEMİHA TEDİK BAŞARAN
Doktora
İngilizce
2019
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. GÜNEŞ ZEYNEP KARABULUT KURT