FenixEdu™

Dissertação

{en_GB=Predicting real operating room occupation, an interpretable ML approach} {} EVALUATED

Detalhes: {pt=Hoje em dia, o potencial do uso de técnicas de aprendizagem automática (ML) para resolver problemas do mundo real é amplamente explorado, e muitos são os domínios de aplicação, como cibersegurança, aviação e saúde, onde há pesquisas aprofundadas sobre sua aplicabilidade. Com a quantidade de dados recolhidos atualmente no contexto hospitalar, modelos capazes de aprender e melhorar automaticamente sustentados na exploração dos dados podem solucionar problemas que colocam em risco o bom funcionamento dos hospitais. O bloco operatório é um ambiente de alto custo e a sua utilização deve ser eficiente. Assim, o trabalho proposto foca-se no desenvolvimento de modelos de ML interpretáveis de previsão para integração num sistema de suporte à decisão a fim de melhorar a previsão dos tempos cirúrgicos, comparando-os com métodos tradicionais. Implementámos três modelos de ML, XGBoost, RuleFit e uma rede neuronal, e analisamos o seu desempenho, incluindo precisão e interpretabilidade. Para cada um dos algoritmos, implementamos três estratégias diferentes. Posteriormente, uma vez que as durações cirúrgicas mostraram um desequilíbrio significativo e isso pode prejudicar o desempenho de algoritmos de ML, treinamos uma Gaussian Mixture Model (GMM) para aprender a distribuição de probabilidade nos valores minoritários da label, permitindo superar o desequilíbrio. O desempenho dos modelos em conjuntos de dados balanceados e desequilibrados foram comparados usando o Utility-based Algorithm (UBA). Este trabalho é uma evidência de que a implementação adequada de tecnologias de ML interpretáveis podem melhorar significativamente os padrões atuais de estimativa, representando uma redução de custos, mantendo a confiança dos decision-makers no sistema., en=Nowadays, the potential of using Machine Learning (ML) techniques to solve real-world problems is extensively explored, and many are the application domains such as cybersecurity, aviation and healthcare, where there is in-depth research into their applicability. With the amount of data currently gathered in the hospital environment, models capable of learning and improving automatically through the use of data might solve problems that endanger the proper functioning of hospitals. The Operating Room (OR) is a high-cost environment, and its usage must be efficient. Therefore, our presented solution focuses on developing interpretable prediction ML models for an OR decision support system to improve the prediction of surgical times, comparing them with traditional methods to aid the OR scheduling process. We implemented three different ML models, XGBoost, RuleFit and a neural network, and we compared and analyzed their performance, including both accuracy and interpretability. For each of these algorithms, we implemented three different strategies. Then, since surgical durations showed a significant imbalance and this is known to hinder the performance of accuracy-based ML algorithms, we trained a Gaussian Mixture Model (GMM) to learn the probability distribution on the minority values of our label enabling sampling to overcome the imbalance. The performance of the models on balanced and imbalanced datasets was compared using the Utility-Based Algorithm (UBA). This research work is an evidence that the proper implementation of interpretable ML technologies can significantly improve current standards of estimation, representing a cost reduction from an operation’s perspective, maintaining the decision-makers’ confidence in the system.}
Keywords: {pt=Bloco Operatório, Aprendizagem Automática, Eficiência, Duração da Cirurgia, Modelos Interpretáveis, en=Operating Room, Machine Learning, Efficiency, Surgery Case Duration, Interpretable Models}

Discussão: dezembro 3, 2021, 16:30