Πρόβλεψη πιθανής κακοήθειας σε ασθενείς με υπεζωκοτική συλλογή με την χρήση κλινικών δεδομένων και μεθόδων υπολογιστικής νοημοσύνης
Οι υπεζωκοτικές συλλογές προκαλούνται στο 40% των περιπτώσεων από καρκίνους και στο 60% από καλοήθη αίτια. Ενώ η πρόγνωση αυτών των δύο κατηγοριών ασθενών είναι πολύ διαφορετική, επί του παρόντος, δεν υπάρχει κανένας εύκολος τρόπος για τους ιατρούς να διαχωρίσουν αυτές τις δύο ομάδες ασθενών. Η διά...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2020
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/14333 |
| id |
nemertes-10889-14333 |
|---|---|
| record_format |
dspace |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Καρκίνος Υπεζωκοτικές συλλογές Cancer Pleural effusions |
| spellingShingle |
Καρκίνος Υπεζωκοτικές συλλογές Cancer Pleural effusions Παπαπαύλου, Αργυρώ Πρόβλεψη πιθανής κακοήθειας σε ασθενείς με υπεζωκοτική συλλογή με την χρήση κλινικών δεδομένων και μεθόδων υπολογιστικής νοημοσύνης |
| description |
Οι υπεζωκοτικές συλλογές προκαλούνται στο 40% των περιπτώσεων από καρκίνους και στο 60% από καλοήθη αίτια. Ενώ η πρόγνωση αυτών των δύο κατηγοριών ασθενών είναι πολύ διαφορετική, επί του παρόντος, δεν υπάρχει κανένας εύκολος τρόπος για τους ιατρούς να διαχωρίσουν αυτές τις δύο ομάδες ασθενών. Η διάγνωση απαιτεί χρόνο και εξειδικευμένες εξετάσεις που συχνά απαιτούν την παραμονή του ασθενή στο νοσοκομείο.
Σκοπός της παρούσας διπλωματικής ήταν να εφαρμοστούν υπολογιστικά προβλεπτικά μοντέλα σε απλά κλινικά και εργαστηριακά δεδομένα που συλλέγονται κατά την εισαγωγή στο νοσοκομείο ασθενών με υπεζωκοτικές συλλογές. Στόχος ήταν να σχεδιαστούν και να ελεγχθούν υπολογιστικά διαγνωστικά τεστ που θα προσδιορίζουν αν οι ασθενείς με υπεζωκοτικές συλλογές έχουν καρκίνο ώστε να μειωθεί ο χρόνος της διάγνωσης και η νοσοκομειακή παραμονή.
Τα δεδομένα που χρησιμοποιήθηκαν για την εκπαίδευση και τον έλεγχο των προβλεπτικών μοντέλων είναι απλά κλινικά και εργαστηριακά δεδομένα που ελήφθη-σαν κατά την εισαγωγή ασθενών με υπεζωκοτικές συλλογές στα τμήματα έκτακτης ανάγκης του Γενικού Περιφερειακού Πανεπιστημίου Νοσοκομείου Πατρών από το 2013 έως το 2017. Για την εκπαίδευση και τον έλεγχο διαγνωστικών μοντέλων δοκιμάστηκαν μια πληθώρα από μεθοδολογίες μηχανικής μάθησης όπως είναι οι τεχνικές δέντρων απόφασης και τυχαίων δασών και διάφορες υλοποιήσεις τους. Ειδική έμφαση δόθηκε στην αποδοτική επίλυση των προβλημάτων επιλογής χαρακτηριστικών, ανισορροπίας κλάσεων, διαχείρισης ελλειπών τιμών και βελτιστοποίησης μοντέλων ταξινόμησης. Με βάση τα συγκριτικά αποτελέσματα καλύτερη απόδοση προέκυψε από την υβριδική μεθοδολογία Ensemble GASVR (~78% ακρίβεια με 5-fold cross validation) η οποία βρέθηκε να ξεπερνά σε ακρίβεια την τελευταία μεθοδολογία MAPED που βασίζεται σε ένα γραμμικό συνδυασμό των χαρακτηριστικών. O ρόλος της έγκαιρης διάγνωσης είναι πολύ σημαντικός και η παρούσα διπλωματική εργασία προσπάθησε να συνεισφέρει σε αυτό τον τομέα για την περίπτωση των υπεζωκοτικών συλλογών σε ασθενείς καρκίνου. |
| author2 |
Papapavlou, Argiro |
| author_facet |
Papapavlou, Argiro Παπαπαύλου, Αργυρώ |
| author |
Παπαπαύλου, Αργυρώ |
| author_sort |
Παπαπαύλου, Αργυρώ |
| title |
Πρόβλεψη πιθανής κακοήθειας σε ασθενείς με υπεζωκοτική συλλογή με την χρήση κλινικών δεδομένων και μεθόδων υπολογιστικής νοημοσύνης |
| title_short |
Πρόβλεψη πιθανής κακοήθειας σε ασθενείς με υπεζωκοτική συλλογή με την χρήση κλινικών δεδομένων και μεθόδων υπολογιστικής νοημοσύνης |
| title_full |
Πρόβλεψη πιθανής κακοήθειας σε ασθενείς με υπεζωκοτική συλλογή με την χρήση κλινικών δεδομένων και μεθόδων υπολογιστικής νοημοσύνης |
| title_fullStr |
Πρόβλεψη πιθανής κακοήθειας σε ασθενείς με υπεζωκοτική συλλογή με την χρήση κλινικών δεδομένων και μεθόδων υπολογιστικής νοημοσύνης |
| title_full_unstemmed |
Πρόβλεψη πιθανής κακοήθειας σε ασθενείς με υπεζωκοτική συλλογή με την χρήση κλινικών δεδομένων και μεθόδων υπολογιστικής νοημοσύνης |
| title_sort |
πρόβλεψη πιθανής κακοήθειας σε ασθενείς με υπεζωκοτική συλλογή με την χρήση κλινικών δεδομένων και μεθόδων υπολογιστικής νοημοσύνης |
| publishDate |
2020 |
| url |
http://hdl.handle.net/10889/14333 |
| work_keys_str_mv |
AT papapaulouargyrō problepsēpithanēskakoētheiasseastheneismeypezōkotikēsyllogēmetēnchrēsēklinikōndedomenōnkaimethodōnypologistikēsnoēmosynēs AT papapaulouargyrō predictionofmalignancyofpleuraleffusionusingclinicaldataandmachinelearningmethods |
| _version_ |
1771297281910243328 |
| spelling |
nemertes-10889-143332022-09-05T20:29:09Z Πρόβλεψη πιθανής κακοήθειας σε ασθενείς με υπεζωκοτική συλλογή με την χρήση κλινικών δεδομένων και μεθόδων υπολογιστικής νοημοσύνης Prediction of malignancy of pleural effusion using clinical data and machine learning methods Παπαπαύλου, Αργυρώ Papapavlou, Argiro Καρκίνος Υπεζωκοτικές συλλογές Cancer Pleural effusions Οι υπεζωκοτικές συλλογές προκαλούνται στο 40% των περιπτώσεων από καρκίνους και στο 60% από καλοήθη αίτια. Ενώ η πρόγνωση αυτών των δύο κατηγοριών ασθενών είναι πολύ διαφορετική, επί του παρόντος, δεν υπάρχει κανένας εύκολος τρόπος για τους ιατρούς να διαχωρίσουν αυτές τις δύο ομάδες ασθενών. Η διάγνωση απαιτεί χρόνο και εξειδικευμένες εξετάσεις που συχνά απαιτούν την παραμονή του ασθενή στο νοσοκομείο. Σκοπός της παρούσας διπλωματικής ήταν να εφαρμοστούν υπολογιστικά προβλεπτικά μοντέλα σε απλά κλινικά και εργαστηριακά δεδομένα που συλλέγονται κατά την εισαγωγή στο νοσοκομείο ασθενών με υπεζωκοτικές συλλογές. Στόχος ήταν να σχεδιαστούν και να ελεγχθούν υπολογιστικά διαγνωστικά τεστ που θα προσδιορίζουν αν οι ασθενείς με υπεζωκοτικές συλλογές έχουν καρκίνο ώστε να μειωθεί ο χρόνος της διάγνωσης και η νοσοκομειακή παραμονή. Τα δεδομένα που χρησιμοποιήθηκαν για την εκπαίδευση και τον έλεγχο των προβλεπτικών μοντέλων είναι απλά κλινικά και εργαστηριακά δεδομένα που ελήφθη-σαν κατά την εισαγωγή ασθενών με υπεζωκοτικές συλλογές στα τμήματα έκτακτης ανάγκης του Γενικού Περιφερειακού Πανεπιστημίου Νοσοκομείου Πατρών από το 2013 έως το 2017. Για την εκπαίδευση και τον έλεγχο διαγνωστικών μοντέλων δοκιμάστηκαν μια πληθώρα από μεθοδολογίες μηχανικής μάθησης όπως είναι οι τεχνικές δέντρων απόφασης και τυχαίων δασών και διάφορες υλοποιήσεις τους. Ειδική έμφαση δόθηκε στην αποδοτική επίλυση των προβλημάτων επιλογής χαρακτηριστικών, ανισορροπίας κλάσεων, διαχείρισης ελλειπών τιμών και βελτιστοποίησης μοντέλων ταξινόμησης. Με βάση τα συγκριτικά αποτελέσματα καλύτερη απόδοση προέκυψε από την υβριδική μεθοδολογία Ensemble GASVR (~78% ακρίβεια με 5-fold cross validation) η οποία βρέθηκε να ξεπερνά σε ακρίβεια την τελευταία μεθοδολογία MAPED που βασίζεται σε ένα γραμμικό συνδυασμό των χαρακτηριστικών. O ρόλος της έγκαιρης διάγνωσης είναι πολύ σημαντικός και η παρούσα διπλωματική εργασία προσπάθησε να συνεισφέρει σε αυτό τον τομέα για την περίπτωση των υπεζωκοτικών συλλογών σε ασθενείς καρκίνου. Pleural effusions are very common clinical entities that can be caused by cancers in approximately 40% of cases and by benign causes in another 60%. While the prog-nosis of these two patient categories with pleural effusion is vastly different, cur-rently, there is no way for physicians to estimate the risk of cancer for patients pre-senting with pleural effusion. The diagnosis takes time and elaborate tests and often requires hospital stay. The purpose of this thesis is to apply predictive models to simple clinical and labor-atory data collected on admission to patients with pleural effusions. These models are intended to serve as diagnostic tests to determine whether patients with pleural effusions have cancer to reduce the time of diagnosis and hospital stay. We designed a study that sought to prospectively determine the risk of patients with pleural effusion for having an underlying cancer using simple clinical and la-boratory data obtained at admission, into the emergency departments of the Gen-eral Regional University Hospital of Patra’s from 2013 to 2017. A variety of ma-chine learning methodologies such as decision tree and random forest techniques and their various implementations have been tested for the training and testing of diagnostic models. Particular emphasis was placed on efficient problem solving, class imbalance, missing values and classification model optimization. Based on combined results, the best score was achieved with the hybrid method Ensemble GASVR (~78% accuracy/5-fold cross-validation) which surpassed the latest MAPED method that was based on a linear combination of features. The role of early diagnosis is very important and the purpose of this thesis is to contribute in this field in the case of pleural effusions in cancer patients. 2020-12-08T14:14:47Z 2020-12-08T14:14:47Z 2020-07-13 http://hdl.handle.net/10889/14333 gr application/pdf |
