Geri Dön

Prediction of the length of stay and readmission probability of intensive care unit patients

Başlık çevirisi mevcut değil.

PDF İndir

  1. Tez No: 791322
  2. Yazar: ÖMER KAAN KARAHAN
  3. Danışmanlar: PROF. DR. ÇİĞDEM EROĞLU ERDEM, DR. ÖĞR. ÜYESİ MEHMET YASİN ULUKUŞ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: COVID 19, Evrişimli sinir ağları, Makine öğrenmesi, Yoğun bakım üniteleri, Çoklu organ yetmezliği, COVID 19, Convolutional neural networks, Machine learning, Intensive care units, Multiple organ failure
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: Marmara Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

COVID-19 salgını sürecinde sağlık bakanlıkları, hastane yönetimleri ve sağlık enstitüleri Yoğun Bakım Ünitelerinin (YBÜ) yönetiminin ne kadar önemli olduğunun bir kez daha farkına vardılar. Enstitü ve hastane yöneticileri hastaların YBÜ'de ölme, YBÜ'de kalma süresi veya YBÜ'ye tekrar kabul oranı gibi YBÜ performansları konusundaki araştırmalarına hız verdiler. Çalışmamızda, YBÜ'de yatmakta olan hastaların yoğun bakım ünitesi performanslarını kestiren birçok model geliştirdik. Bu modeller arasında Çoklu Organ Yetmezliği Değerlerinden (ÇOYD) elde edilen imgeler ile beslenmiş Evrişimsel Sinir Ağları (ESA) modellerinin kestirimsel anlamda üstünlüğü olduğunu saptadık. Çok değişkenli zaman serisi verisini kullanarak ESA modellerimizi eğittik. YBÜ'de kalma sürecinde mortalite, YBÜ'den ayrıldıktan sonraki bir yıl içinde gerçekleşen mortalite, YBÜ'den ayrıldıktan sonraki bir yıl içinde tekrar YBÜ'de yatış ve YBÜ'de kalma süreleri gibi YBÜ performanslarının kestirilmesinde özgün bir yöntem olduğunu düşündüğümüz model geliştirme sürecimiz iki aşamadan oluşmaktadır; hastaların ÇOYD sonuçlarının görsellere dönüştürülmesi ve bu görseller ile ESA modellerinin hastaların YBÜ performanslarının kestirilmesinde kullanılması. AUROC değeri olarak en iyi performans gösteren görsel üretme algoritmasını tespit etmek için AUROC değerini kullandık. Modellerimiz YBÜ'de ölümün, YBÜ'den ayrıldıktan sonraki bir yıl içerisinde ölümün, YBÜ'den ayrıldıktan sonraki bir yıl içinde tekrar kabulün ve YBÜ'de kalma sürelerinin kestirilmesinde sırasıyla 0.83, 0.84, 0.87, 0.56 AUROC değerlerini kestirdiler. Modellerimizin performanslarını Lojistik Regresyon, Rassal Orman, Asamble, LSTM gibi algoritmalarla ve literatürde yapılan çalışmalarla karşılaştırdık. Özellikle birinci gün verisinin kullanılarak YBÜ'de mortalitenin kestirilmesi için Literatürdeki çalışmalarla kıyaslanabilir sonuçlar elde ettik.

Özet (Çeviri)

Throughout all stages of the COVID-19 pandemic, ministries of health, hospital administrations and medical institutions noticed the importance of management of Intensive Care Units (ICU). Both administrative and medical departments of medical institutes are in search of an insight about patients' ICU performances such as length of stay, mortality rates and readmission rates of ICU patients. In our study, we use Convolutional Neural Networks (CNN) to predict Intensive Care Unit (ICU) performances of patients via images generated from patients' Sequential Organ Failure Assessment (SOFA) scores which are used to assess the acute morbidity of intensive care unit patients. We propose a novel method to predict ICU performances; mortality during the stay in ICU, mortality in one year after discharge from ICU, readmission in one year after discharge from ICU and length of stay of ICU patients. We trained CNN models with images generated from multivariate time series data. Our model development process consists of two steps; converting SOFA scores of patients into an image and training the CNN with generated images to predict patients' ICU performances. We searched for the best performing image generation algorithm which has the highest AUROC value for each prediction. Our model gives us AUROC values for mortality in ICU, and in one year after discharge from ICU, readmission in one year after discharge from ICU and length of stay of patients in ICU as 0.83, 0.84, 0.87, 0.56 respectively. We compared our methods' performance with random forest, support vector machine, Logistic regression and ensemble of these algorithms. The proposed image-based method in which we use the first day SOFA scores outperform the random forest, support vector machine and logistic regression algorithms. Our method gives a similar performance to the studies in literature in terms of predicting mortality in ICU using first day data with an AUROC value of 0.83.

Benzer Tezler

  1. Tez No

    1007310

    Akut koroner sendrom hastalarında prognoz tahmininde lökoglisemik indeksin rolünün prospektif olarak incelenmesi

    Prospective investigation of the role of leukoglycemic index in predicting prognosis in patients with acute coronary syndrome

    BURCU USLU SAYAR

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2026

    Acil TıpSağlık Bilimleri Üniversitesi

    Acil Tıp Ana Bilim Dalı

    DOÇ. DR. HÜSEYİN CAHİT HALHALLI

  2. Tez No

    967551

    Yoğun bakımda noninvaziv ventilasyon uygulanan hastalarda prognostik skorların karşılaştırılmalı değerlendirilmesi

    Comparative evaluation of prognostic scores in patients receiving noninvasive ventilation in the intensive care unit

    RUKEN ZEYDAN AKDAĞ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2025

    Göğüs HastalıklarıGazi Üniversitesi

    Göğüs Hastalıkları Ana Bilim Dalı

    PROF. DR. GÜL GÜRSEL

  3. Tez No

    463177

    Kalp yetersizliği olan hastaların hastaneye yeniden yatışı ile ilgili faktörlerin veri madenciliği teknikleri ile incelenmesi

    Analysis of factors related to readmission of heart failure with data mining techniques

    ZEYNEB AKDOĞAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2017

    Sağlık Kurumları YönetimiHacettepe Üniversitesi

    Sağlık Yönetimi Ana Bilim Dalı

    PROF. DR. SIDIKA KAYA

  4. Tez No

    460297

    Yoğun bakım ünitesinden hastane içi kliniklere taburcu edildikten sonra tekrar yatışı yapılan hastaların değerlendirilmesi

    The evaluation of the readmitted patients to the icu

    PINAR ÖNGEL ÇAYÖREN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2017

    Anestezi ve ReanimasyonSağlık Bilimleri Üniversitesi

    Anesteziyoloji ve Reanimasyon Ana Bilim Dalı

    DOÇ. DR. KEREM ERKALP

  5. Tez No

    898902

    Major batın cerrahisi planlanan 65-85 yaş arası hastalarda fraıl ölçeği ile günlük yaşam aktivitesi değerlendirmelerinin postoperatif sonuçları belirlemedeki etkinlikleri

    The effectiveness of the frail scale and daily life activitiy assessments in determining postoperative outcomes for patients aged 65-85 undergoing major abdominal surgery

    BENGÜ ARAZ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2024

    Anestezi ve ReanimasyonBursa Uludağ Üniversitesi

    Anesteziyoloji ve Reanimasyon Ana Bilim Dalı

    PROF. DR. HÜLYA BİLGİN

Geri Dön