Dissertação

Machine Learning for clinical course analysis in sepsis patients EVALUATED

De acordo com a sua definição atual, sepsis consiste numa disfunção orgânica provocada por uma resposta desregulada a uma infeção e caso esta resposta não seja controlada, o paciente pode desenvolver choque séptico. Estas duas condições são as principais causas de mortalidade em unidades de tratamento intensivo (UTI) e a sua deteção precoce é um dos principais fatores que influenciam o desfecho dos pacientes. Assim, o objetivo deste trabalho consiste na predição de choque séptico em UTI’s. Para isso, técnicas supervisionadas e não supervisionadas de aprendizagem automática foram desenvolvidas e testadas com dados do Hospital São Francisco Xavier e da MIMIC-III. Numa abordagem não supervisionada, e aplicando um processo de deteção de anomalias, três VAEs foram desenvolvidos e a identificação de choque séptico foi realizada recorrendo a algoritmos de agrupamento e pontuações de anomalias. O algoritmo GMM foi o melhor algoritmo de agrupamento do qual resultou uma AUC de 0.7686 para os dados do Hospital São Francisco Xavier e 0.9576 para os dados da MIMIC-III. A pontuação de anomalias baseada na densidade probabilística superou o desempenho das restantes pontuações testadas, alcançando uma AUC de 0.8292 para os dados do Hospital São Francisco Xavier e 0.9498 para os dados da MIMIC-III. Estes resultados são competitivos com a AUC de 0.8784 e 0.9988 obtidos com modelos supervisionados, usando esses dois conjuntos de dados. Os benefícios de incorporar informação sobre o intervalo de tempo entre observações sucessivas também foram avaliados através do uso de T-LSTM, no entanto não se observou melhoramentos significativos.
Choque séptico, Aprendizagem supervisionada, Aprendizagem não supervisionada, Deteção de anomalias, T-LSTM

novembro 30, 2021, 15:45

Publicação

Obra sujeita a Direitos de Autor

Orientação

ORIENTADOR

Luís Miguel da Cruz Coelho

Nova Medical School/Faculdade de Ciências Médicas, Universidade Nova de Lisboa

Professor Auxiliar

ORIENTADOR

Maria Margarida Campos da Silveira

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Auxiliar