Συντάχθηκε 07-07-2025 09:47
Ενημερώθηκε:
07-07-2025 10:03
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 14/07/2025 11:00
Λήξη: 14/07/2025 12:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Σταύρου Φλουρέντζου
με θέμα
Η Χρήση Αλγορίθμων Μηχανικής Μάθησης στην Πρόβλεψη της Έκβασης Ασθενών με Καρδιακή Ανεπάρκεια
The Use of Machine Learning Algorithms in Predicting Patient Outcomes with Heart Failure
Εξεταστική Επιτροπή
Καθηγητής Σωτήριος Ιωαννίδης (Επιβλέπων)
Καθηγητής Μιχαήλ Γ. Λαγουδάκης
Επίκουρη Καθηγήτρια Βασιλική Δανηλάτου (Πανεπιστήμιο EUC)
Περίληψη
Η αποδυνάμωση του καρδιακού μυός αποτελεί κύρια αιτία ασθενειών και θανάτων σε όλο τον κόσμο, οπότε υπάρχει άμεση ανάγκη για ακριβή εργαλεία πρόβλεψης που θα επιτρέπουν στους γιατρούς να λαμβάνουν τεκμηριωμένες αποφάσεις όπου θα τους βοηθήσουν να χρησιμοποιήσουν τους πόρους της υγειονομικής περίθαλψης πιο σωστά. Οι ανακαλύψεις στην τεχνολογία, ιδίως η τεχνητή νοημοσύνη/μηχανική μάθηση, έχουν δώσει την ευκαιρία να προβλεφθούν τα αποτελέσματα των ασθενών με καρδιακή ανεπάρκεια με τη χρήση πολύ σύνθετων και υψηλής ανάλυσης δεδομένων υγειονομικής περίθαλψης. Η έρευνα του παρόντος έργου εξετάζει την εφαρμογή διαφορετικών τύπων αλγορίθμων μηχανικής μάθησης για την ακριβή πρόβλεψη κρίσιμων αποτελεσμάτων, συμπεριλαμβανομένης της εισαγωγής στη μονάδα εντατικής θεραπείας και της θνησιμότητας εντός του πρώτου μήνα νοσηλείας. Τα χρήσιμα δεδομένα που χρησιμοποιούν αυτά τα μοντέλα εξήχθησαν από μια γνωστή ιατρική βάση δεδομένων, τη ιατρική βάση δεδομένων για μονάδα εντατικής θεραπείας IV (MIMIC-IV).Τα πειραματικά αποτελέσματα καταδεικνύουν ότι το προτεινόμενο μοντέλο προβλέπει αποτελεσματικά τις εισαγωγές σε μονάδα εντατικής θεραπείας με υψηλή ακρίβεια και ισχυρές μετρήσεις απόδοσης. Ωστόσο, η πρόβλεψη της θνησιμότητας εντός ενός μηνός μετά τη νοσηλεία δεν είναι τόσο αυξημένη εξαιτίας της σημαντικής ανισορροπίας των κλάσεων, με αποτέλεσμα μη βέλτιστες επιδόσεις όσον αφορά το εμβαδόν κάτω από την καμπύλη (AUC) και την ακρίβεια. Παρά την εφαρμογή τεχνικών εξισορρόπησης κλάσεων, το μοντέλο δυσκολεύεται να εντοπίσει με ακρίβεια περιπτώσεις κλάσεων μειονοτήτων. Τα προτεινόμενα μοντέλα στοχεύουν στη βελτίωση της προγνωστικής ακρίβειας και στον εντοπισμό ασθενών υψηλού κινδύνου, συμβάλλοντας τελικά σε εξατομικευμένες θεραπευτικές στρατηγικές και καλύτερη διαχείριση της υγειονομικής περίθαλψης.
Abstract
The weakening of the heart muscle is a major cause of illness and death all over the world, so there is an immediate need to have precise predictive tools which can enable doctors to make well-informed decisions and help them to use healthcare resources more appropriately. Recent advancements in artificial intelligence and machine learning have improved the capability to predict outcomes in heart failure patients by utilizing complex healthcare datasets. The research of this project considers the application of different types of machine learning algorithms to precisely predict critical outcomes, including intensive care unit (ICU) admission and mortality within the first month of hospitalization. The useful data that these models are using was extracted from a well-known medical database, Medical Information Mart for Intensive Care IV (MIMIC-IV). Experimental results demonstrate that the proposed model effectively predicts ICU admissions with high accuracy and robust performance metrics. However, the prediction of one-month mortality after hospitalization demonstrates limited effectiveness due to significant class imbalance, leading to suboptimal performance in area under the curve (AUC) and accuracy. Despite applying class balancing techniques, the model struggles to accurately identify minority class instances. These findings underscore the challenges of class imbalance in mortality prediction and the need for more advanced resampling or algorithmic approaches to improve predictive accuracy. The proposed models are designed to improve prognostic accuracy and identify high-risk patients, ultimately contributing to personalized treatment strategies and better healthcare management.
