Εκτίμηση ευθραυστότητας μέσω χώρο - χρονικών δεδομένων με μεθόδους μηχανικής μάθησης

• Κύριος συγγραφέας: Κοκκονός, Δημοσθένης
• Άλλοι συγγραφείς: Kokkonos, Dimosthenis
• Γλώσσα: Greek
• Έκδοση: 2022
• Θέματα: Μηχανική μάθηση; Μάθηση πολλαπλών στιγμιότυπων; Μάθηση συνόλου; Ευπάθεια ηλικιωμένων; Εντοπισμός ανεπιθύμητων γεγονότων; Machine learning; Ensemble learning; Multiple instance learning; Frailty; Adverse event detection

Καθώς αυξάνεται χρόνο με το χρόνο το ποσοστό των ηλικιωμένων στην κοινωνία, είναι αναπόφευκτη η αύξηση του ποσοστού αυτών που εμφανίζουν ευπάθεια, ένα κλινικό σύνδρομο όπου χαρακτηρίζεται από την φθορά πολλαπλών συστημάτων και μείωση αντιδράσεων σε στρεσογόνες καταστάσεις. Για την πρόβλεψη του δείκτη ευπάθειας ηλικιωμένων ανθρώπων αξιοποιούνται δεδομένα του προγράμματος FrailSafe. Τα δεδομένα αυτά μελετούν την κίνηση των ηλικιωμένων στον χώρο με χρήση συσκευών Bluetooth, απεικονίζοντας τις μεταβάσεις μεταξύ δωματίων που εκτελεί ο προς μελέτη ηλικιωμένος. Η μελέτη αυτή έγινε για μία έως επτά ημέρες και αποθηκεύονται δεδομένα πολλαπλών ημερών. Με βάση τα δεδομένα αυτά, παράγεται ένα σύνολο χαρακτηριστικών ώστε να προβλεφθεί ο δείκτης ευπάθειας. Για την ορθή πρόβλεψη του δείκτη ευστάθειας αξιοποιούνται τεχνικές αύξησης των δεδομένων με αυτοματοποιημένες μεθόδους σε πρώτο στάδιο, ενώ στη συνέχεια γίνεται χρήση παραθύρου (μη επικαλυπτόμενου και επικαλυπτόμενου). Το παράθυρο αποσκοπεί στον κατακερματισμό των δειγμάτων που παράγονται για μία ημέρα τις μελέτης σε περισσότερα τμήματα -λόγου χάρη μελέτη ανά ώρα των δεδομένων. Το πρόβλημα επιπλέον, λόγω έλλειψης ισορροπίας των δεδομένων μεταξύ κλάσεων, μετατρέπεται από πρόβλημα τριών κλάσεων σε πρόβλημα δύο κλάσεων. Η πρόβλεψη επιτυγχάνεται τόσο με συμβατικές μεθόδους μηχανικής μάθησης όσο και με μεθόδους συνόλου με μέγιστα ποσοστά ακρίβειας 95%. Ως επέκταση της διαδικασίας αυτής, γίνεται μελέτη της σύνδεσης εμφάνισης ανεπιθύμητων γεγονότων με τις εναλλαγές του δείκτη ευπάθειας. Η πρόβλεψη αυτών υλοποιείται μέσω μάθησης πολλαπλών στιγμιότυπων, παράγοντας σάκους δεδομένων για το κάθε άτομο (πίνακες χαρακτηριστικών) και ετικέτες για τον κάθε σάκο. Οι επιμέρους σάκοι αρχικά συμπιέζονται σε μία γραμμή για την εκτέλεση συμβατικών μεθόδων μηχανικής μάθησης με μέγιστη ακρίβεια πρόβλεψης 97% και στην συνέχεια αξιοποιούνται ως ολότητα μέσω συνελικτικών νευρωνικών δικτύων με ακρίβεια 71%.