Geri Dön

Yoğun bakım hastalarının mortalite ve hastanede kalma sürelerinin derin öğrenme yöntemleri ile tahmini

Prediction of mortality and length of stay of icu patients with deep learning

  1. Tez No: 760581
  2. Yazar: BATUHAN BARDAK
  3. Danışmanlar: DOÇ. DR. MEHMET TAN
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: Türkçe
  9. Üniversite: TOBB Ekonomi ve Teknoloji Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 129

Özet

Günümüzde dijital dönüşüm hızının artması ile beraber fiziksel olarak saklanan verilerin elektronik ortamlara aktarılması da hız kazanmıştır. Bu durum, birçok alana olduğu gibi sağlık alanına da doğrudan yansımıştır. Geçmişte fiziksel olarak saklanan hastaya ait kayıtlar bu sayede dijital ortamlara geçirilmiştir. Dijital ortama aktarılan hastaya ait demografik bilgiler, laboratuvar sonuçları, yaşamsal gözlem verileri, klinik notlar, tanı kodları ve benzeri birçok veri Elektronik Sağlık Kaydı (ESK) olarak tanımlanmaktadır. Sağlık alanındaki dijital dönüşüme ek olarak, derin öğrenme yöntemlerine olan geniş ilgi, araştırmacıları, finans, sosyal medya, siber güvenlik gibi birçok alanda yapay zeka yöntemlerini kullanmaya teşvik etmektedir. Elektronik sağlık kayıtlarının araştırmacılar için kullanılabilir hale gelmesiyle birlikte, bu veri setlerini kullanarak derin öğrenme modelleri geliştirmeye olan ilgi artmaktadır. Tez kapsamında yapılan deneylerde, günümüzdeki en popüler ve erişilebilir elektronik sağlık kayıt veri seti olan Medical Information Mart for Intensive Care (MIMIC-III) kullanılmıştır. Yoğun bakımda yatan hastaların, yaşamsal gözlem verilerini ve diğer klinik bilgilerini ölçerek, hastaların mevcut sağlık durumlarını anlamlandırmak ve gelecek sağlık durumlarını tahmin etmek önemli bir problemdir. Tez kapsamında, hastaların hastane içinde ve yoğun bakımda mortalite ihtimalleri ile yoğun bakımda 3 ve 7 günden fazla kalıp kalmayacakları çok-kipli derin öğrenme tabanlı yöntemler ile tahmin edilmiştir. Gerçekleştirilen çalışma üç ana bölüme ayrılmıştır. İlk bölümde, yoğun bakımda yatan hastalara ait yaşamsal gözlem verileri, laboratuvar sonuçları gibi özniteliklere ek olarak hastalara ait klinik notlar da model eğitimine dahil edilmiş ve modelin klinik problemleri tahmin etme başarısı arttırılmaya çalışılmıştır. İkinci bölümde, klinik notların doğrudan kullanılması yerine, varlık isim tanıma yöntemi ile notlar içerisinden medikal terimlerin çıkartılması sağlanmıştır. Elde edilen medikal terimlerin, mortalite ve yoğun bakımda kalma süresi tahmini problemlerine etkisi araştırılmıştır. Yapılan son çalışmada ise, hastaların zaman serisi özniteliklerine ilave olarak, hastaların yoğun bakımda kaldıkları süre boyunca kullandıkları ilaçların moleküler temsilleri kullanılmış ve klinik problemlerin tahminine etkisi üzerine deneyler yapılmıştır. Ek olarak, bu çalışma sonunda, hastanede mortalite tahmini için eğitilen modelin açıklanabilirliğini arttırmak amacıyla SHapley Additive exPlanations (SHAP) yöntemi kullanılmıştır. SHAP yönteminin çıktısı, zaman-serisi ve klinik ilaç özniteliklerinin model üzerindeki etkisininin daha derin bir analizinin yapılmasını sağlamaktadır. MIMIC-III veri seti içerisinde hastaya ait farklı veri türlerinin bir arada bulunması, tez kapsamında yapılan deneylerde bu veri türlerinin bir arada kullanılabilmesine ve farklı deneylerin gerçekleştirilebilmesine olanak sağlamıştır. Farklı veri türlerini aynı model içerisinde kullanabilmek için çok-kipli derin öğrenme tabanlı yöntemler önerilmiştir. Yapılan deney sonuçları incelendiğinde, zaman-serisi özniteliklerin yanı sıra hastaya ait klinik notların, medikal terimlerin ve ilaç bilgilerinin modele girdi olarak verilmesinin, klinik problemlerin başarımına olumlu yönde etki ettiği görülmüştür.

Özet (Çeviri)

The increase in the speed of digital transformation has accelerated the transfer of physically stored data to electronic media data. Healthcare is one of many areas that is impacted by these transformation. Electronic health records (EHR) is the general term for the data that is associated with a patient's whole health journey including demographic information, laboratory test results, vital signs, clinical notes, diagnosis codes, and related data. In addition to the digital transformation in healthcare, the widespread interest in machine/deep learning encourages the researchers to apply artificial intelligence to several different domains such as finance, social media, and cyber security. With the EHR data becoming available for researchers, there has been an increasing interest in using it with deep learning algorithms. Within the scope of this study, we use the most popular and publicly available EHR dataset, Medical Information Mart for Intensive Care (MIMIC-III). Understanding the health condition of the patient by observing the clinical measurements, and laboratory tests, and predicting the condition of patients during their intensive care unit (ICU) stay is a vital problem. In this study, two different common risk prediction tasks, mortality (in-hospital \& in-ICU), and length of ICU stay (LOS $>$ 3, LOS $>7$) are researched. The interest of this work is divided into three parts. In the first part, we use the clinical notes besides the time-series features such as vital signs and laboratory test results to improve the model predictions. In the second part, instead of using clinical notes directly, we extract medical entities from clinical notes by clinical named entity recognition (NER) model and use them as additional features besides time-series features to improve proposed model predictions. In the last study, we argue the integration of structured time-series data and molecular representations of the drugs which are prescribed to patients in ICU. Several experiments are conducted to investigate the effect of clinical drugs on mortality and LOS problem predictions. Additionally, the SHapley Additive exPlanations (SHAP) is applied to increase the interpretability of the in-hospital mortality model and to investigate the relationship between the mortality and the time-series and clinical drug features. The output of the SHAP method allows us to make a deeper analysis of the effect of time-series and clinical drug features. Since MIMIC-III contains rich information with multiple modalities of data, we apply a multimodal learning approach to handle the heterogeneous nature of the data. The experimental results indicate a promising increase in performance on clinical tasks when the clinical notes, medical entities or clinical drug informations are used with time series features in a multimodal approach.

Benzer Tezler

  1. Kalça kırığı cerrahisi geçiren yaşlı hastalarda antikoagülan ve antitrombotik tedavilerin hasta sonuçları ve mortalite üzerine etkisi

    Effects of anticoagulant and antithrombotic therapies on patient outcomes and mortality in elderly patients undergoing hip fracture surgery

    GÜZİN CERAN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2021

    Anestezi ve ReanimasyonSağlık Bilimleri Üniversitesi

    Anesteziyoloji ve Reanimasyon Ana Bilim Dalı

    DOÇ. DR. AYŞE LAFÇI

  2. COVID-19 nedeniyle yatırılarak tedavi edilen hastaların demografik ve klinik özelliklerinin prognoz ile ilişkisinin değerlendirilmesi

    Evaluation of the demographic and clinical characteristics of hospitalized COVID-19 patients in relation to prognosis

    SERDANUR ÖZDEMİR

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2021

    Göğüs HastalıklarıRecep Tayyip Erdoğan Üniversitesi

    Göğüs Hastalıkları Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ BİLGE YILMAZ KARA

  3. Ameliyat sonrası kalp hastalarında erken fiziksel aktivite ve fonksiyonel kapasite ve yaşam kalitesi üzerine etkileri

    Early physical activity and its effects on functional capacity and quality of life in post-surgery cardiac patients

    HUSHAM ABDULATEEF SALMAN AL-JADDAH

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Fizyoterapi ve RehabilitasyonKırşehir Ahi Evran Üniversitesi

    Fizyoterapi ve Rehabilitasyon Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ İSMAİL CEYLAN

  4. Yaşlı hastalarda kardiyak cerrahisi sonrası erken mobilasyon egzersizleri ile geleneksel fizyoterapinin karşılaştırılması

    Comparison of early mobilisation exercises and traditional physiotherapy following cardiac surgery on older patients

    AZHAR HASSAN MHMOOD

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Fizyoterapi ve RehabilitasyonKırşehir Ahi Evran Üniversitesi

    Fizyoterapi ve Rehabilitasyon Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ İSMAİL CEYLAN

  5. Çok küçük prematüre bebeklerde erken dönem bazı hemogram parametreleri ve akut faz reaktanları ile bronkopulmoner displazi gelişimi arasındaki ilişki

    Relationship between some early hemogram parameters and acute phase reactants with bronchopulmonary dysplasia development in very preterm infants

    AYŞE TOR

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2023

    Çocuk Sağlığı ve HastalıklarıSağlık Bilimleri Üniversitesi

    Çocuk Sağlığı ve Hastalıkları Ana Bilim Dalı

    PROF. DR. FUAT EMRE CANPOLAT