Dissertação
Machine Learning Approaches for Survival Prediction of Critically Ill Patients Under Insulin Therapy EVALUATED
Esta dissertação propõe o desenvolvimento de um modelo capaz de predizer a mortalidade de pacientes sob o efeito de insulina em UCI, utilizando a base de dados MIMIC-III. A terapia com insulina é crucial para controlar os níveis de açúcar no sangue em pacientes em estado crítico. No entanto, não há consenso sobre que controlo glicémico, intensivo ou convencional, é mais benéfico de modo a reduzir a mortalidade. Gradient boosting e regressão logística foram as técnicas escolhidas após uma extensiva comparação entre várias técnicas de machine learning. Data sampling foi aplicado para neutralizar o desequilíbrio presente no conjunto de dados e técnicas de feature selection, incluindo uma nova abordagem intitulada recursive feature selection, foram igualmente aplicadas. No geral, gradient boosting com um total de 187 variáveis obteve o melhor desempenho (AUC de 91.4± 1.36) para dados coletados nas primeiras 24 horas na UCI, superando o melhor índice de gravidade, SAPS-II (AUC de 77.4±2.44). Diferentes tempos de previsão foram testados e o mais próximo da alta médica obteve o melhor desempenho (AUC de 94.8±0.92). Após feature selection, um modelo com apenas 7 variáveis obteve um bom desempenho (AUC de 90.2± 1.34). Este modelo foi validado usando dados da base de dados eICU-CRD, alcançando um desempenho semelhante (AUC de 88.0). Finalizando, os modelos foram interpretados usando valores SHAP. Assim, identificaram-se as variáveis que globalmente e individualmente mais afetam os pacientes, dando origem à construção de painéis clínicos individualizados. Estes podem ser uma ferramenta importante numa perspectiva de decisões médicas auxiliadas por dados.
junho 17, 2019, 16:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Departamento de Engenharia Mecânica (DEM)
Professor Catedrático