Dissertação

{en_GB=Unsupervised learning approach for understanding critical infectious disease progression in ICU patients} {} EVALUATED

{pt=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., en=Sepsis is a life-threatening condition caused by a dysregulated host response to infection. If not diagnosed at an early stage, septic patients can go into a septic shock, associated with aggravated patient outcomes. Research has been mostly focused on predicting sepsis onset using supervised models that require big labeled datasets. In this work, we propose two fully unsupervised learning approaches to predict septic shock onset in the ICU. Our approach includes learning representations from patient multivariate timeseries using two Recurrent Autoencoders. Then, we applied an anomaly detection framework, based on clustering-based algorithms, on the representation space learned by the models. When evaluating the performance of the proposed approaches in the septic shock onset prediction task, the Variational Recurrent Autoencoder (VAE) using Gaussian Mixture Models in the anomaly detection framework was competitive with a supervised LSTM network. Results led to an AUC of 0.8184 and an F1-score of 0.6529 using the unsupervised approach in comparison with 0.8038, 0.6606 for the supervised model.}
{pt=Septicemia, Choque Séptico, Autocodificadores Recorrentes, Aprendizagem de Representações, Detecção de Anomalias., en=Sepsis, Septic Shock, Recurrent Autoencoder, Representation Learning, Anomaly Detection.}

Janeiro 19, 2021, 10:0

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