Εκτίμηση-πρόγνωση κλινικών παραμέτρων ηλικιωμένων ανθρώπων από πολυμορφικά δεδομένα

Σκοπός της παρούσας διπλωματικής εργασίας είναι η εξαγωγή και επεξεργασία δεδομένων ικανών να οδηγήσουν σε ταξινόμηση γηραιών ατόμων βάσει του δείκτη Frailty σε μία από τις κατηγορίες «Ευπαθής»-”Frail”, «Μη-Ευπαθής»-”Non frail”, «Προ-ευπαθής»-”Pre-frail”, καθώς και η μελέτη και βελτιστοποίηση της τα...

Πλήρης περιγραφή

Λεπτομέρειες βιβλιογραφικής εγγραφής
Κύριος συγγραφέας: Ντούρου, Εύα
Άλλοι συγγραφείς: Ntourou, Eva
Γλώσσα:Greek
Έκδοση: 2022
Θέματα:
Διαθέσιμο Online:https://hdl.handle.net/10889/23461
Περιγραφή
Περίληψη:Σκοπός της παρούσας διπλωματικής εργασίας είναι η εξαγωγή και επεξεργασία δεδομένων ικανών να οδηγήσουν σε ταξινόμηση γηραιών ατόμων βάσει του δείκτη Frailty σε μία από τις κατηγορίες «Ευπαθής»-”Frail”, «Μη-Ευπαθής»-”Non frail”, «Προ-ευπαθής»-”Pre-frail”, καθώς και η μελέτη και βελτιστοποίηση της ταξινόμησης αυτής. Επιπλέον εξετάζεται η δυ- νατότητα πρόβλεψης δυσμενών γεγονότων όπως η πτώση ή ο θάνατος, βάσει της ύπαρξης εναλλαγής στο δείκτη ευπάθειας. Τα δεδομένα που βρίσκονται στη διάθεσή μας προκύπτουν από συμμετοχή των ατόμων αυτών στο πρόγραμμα Frail Safe και συγκεκριμένα αποτελούν δεδομένα μετακινήσεών τους εντός των χώρων του σπιτιού τους. Οι μετακινήσεις αυτές ανιχνεύονται με χρήση συσκευών εντοπισμού θέσης - beacons σε βάθος ημερών, το πλήθος των οποίων εξαρτάται από τον συμμετέχοντα και κυμαίνεται από 3 εως 9 ημέρες. Τα δεδομένα αυτά υπέστησαν κατάλληλη επεξεργασία, η οποία περιγράφεται στην ενότητα της Μεθοδολογίας, έτσι ώστε να δημιουργηθεί πίνακας δεδομένων στον οποίο η κάθε γραμμή αντιστοιχεί σε ένα τμήμα όπως έχει οριστεί στην κάθε περίπτωση, κάθε στήλη σε ένα χαρα- κτηριστικό του και, τέλος, περιλαμβάνεται στήλη στην οποία βρίσκονται κωδικοποιημένες οι γνωστές ταξινομήσεις των ατόμων στο δείκτη ευπάθειας. Ο πίνακας αυτός χρησιμοποιείται για την εκπαίδευση μοντέλων μηχανικής μάθησης με σκοπό την ταξινόμηση των ατόμων βάσει του δείκτη Frailty. Τα μοντέλα που ελέγχθηκαν ήταν K-Nearest Neighbors Classifier, Naive Bayes Classifier, Random Forest Classifier, C-Support Vector Machine, Decision Tree Classifier και Τεχνητά Νευρωνικά Δίκτυα. Στη συνέχεια, τα δεδομένα υπέστησαν παιρεταίρω επεξεργασία για τη δημιουργία σάκων δεδομένων βάσει της αλλαγής στο δείκτη ευπάθειας που πιθανόν να εμφανίζει το άτομο, με σκοπό να εξεταστεί η πρόβλεψη δυσμενούς γεγονόντος. Για το σκοπό αυτό αξιοποιήθηκαν μέθοδοι μηχανικής μάθησης πολλαπλών στιγμιοτύπων και η πρόβλεψη υλοποιήθηκε και με τις προαναφερθείσες παραδοσιακές μεθόδους μηχανικής μάθησης αλλά και με χρήση Συνελικτικών Νευρωνικών Δυκτίων. Τα ποσοστά ακρίβειας πρόβλεψης του δείκτη ευπάθειας φτάνουν το 94% για πρόβλεψη τριών κλάσεων, ενώ με αναγωγή του προβλήματος σε δύο κλάσεων, η ακρίβεια αγγίζει το 95%. Παρατηρείται, δε, σημαντική σύνδεση της απόδοσης των μοντέλων με τον τρόπο με τον οποίο γίνεται ο κατακερματισμός των δεδομένων. Για την πρόβλεψη των δυσμενών εκβάσεων υγείας, η ακρίβεια ξεπερνά το 87%, παρατηρείται, όμως, πως συνδέεται άμεσα με το χρονικό διάστημα που μεσολαβεί μεταξύ ημέρας της μελέτης και ημέρας ύπαρξης adverse event. Συγκεκριμένα, φαίνεται πως η ακρίβεια μειώνεται όταν το διάστημα αυτό ξεπερνά τους τέσσερις μηνες. Βάσει των αποτελεσμάτων κρίνουμε πως η πρόβλεψη του δείκτη ευπάθειας του ηλικιωμένου ατόμου και των δυσμενών εκβάσεων της υγείας του είναι εφικτή μέσω επεξεργασίας δεδομένων κινήσεών του και δύναται να δώσει στον ίδιο και στους παρόχους φροντίδας του την δυνατότητα να προετοιμάσουν το περιβάλλον του σπιτιού αλλά και τους εαυτούς τους ώστε να αποφευχθεί η παρακμή της υγείας του ατόμου.