Dissertação

Unsupervised learning approach for understanding critical infectious disease progression in ICU patients EVALUATED

A Septicemia é uma resposta desregulada do paciente a uma infecção. Se não for diagnosticada numa fase inicial, os pacientes sépticos podem entrar em choque, associado a resultados agravados. A investigação tem-se focado principalmente na previsão do início da septicemia, recorrendo a modelos supervisionados que requerem grandes conjuntos de dados rotulados. Neste trabalho, propomos duas abordagens de aprendizagem totalmente não supervisionadas para prever o início de choque séptico na UCI. A nossa abordagem inclui aprendizagem de representações de séries temporais multivariadas de pacientes utilizando dois Autocodificadores Recorrentes. De seguida, aplicámos um processo de detecção de anomalias, baseado em algoritmos de agrupamento, no espaço de representação aprendido pelos modelos. Ao avaliar o desempenho das abordagens propostas na tarefa de previsão do início do choque séptico, o Variational Recurrent Autoencoder (VAE) usando Gaussian Mixture Models na estrutura de detecção de anomalias foi competitivo com uma rede LSTM supervisionada. Os resultados levaram a uma AUC de 0,8184 e F1 score de 0,6529 usando a abordagem não supervisionada em comparação com 0,8038, 0,6606 para o modelo supervisionado.
Septicemia, Choque Séptico, Autocodificadores Recorrentes, Aprendizagem de Representações, Detecção de Anomalias.

janeiro 19, 2021, 10:0

Publicação

Obra sujeita a Direitos de Autor

Orientação

ORIENTADOR

Luis Miguel Coelho

S. Francisco Xavier

Médico intensivista

ORIENTADOR

Maria Margarida Campos da Silveira

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Auxiliar