FenixEdu™

Dissertação

{en_GB=Machine Learning for clinical course analysis in sepsis patients } {} EVALUATED

Detalhes: {pt=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., en=According to its latest definition, sepsis is an organic dysfunction caused by a dysregulated host response to infection and if not well managed can further develop into septic shock. These two conditions are one of the leading causes mortality in ICU and their early detection is one of the factors that influence patients’ outcome. Therefore, the aim of this work is to predict septic shock onset in ICU. To do so, supervised and unsupervised machine learning techniques were developed and tested with data from Hospital São Francisco Xavier and MIMIC-III. For the unsupervised approach, following an anomaly detection framework, three VAEs were developed and the identification of shock patients was performed using clustering algorithms and anomaly scores. The GMM algorithm was the better clustering algorithm, achieving an AUC value of 0.7686 for Hospital São Francisco dataset and 0.9576 for MIMIC-III dataset. The density-based anomaly score applied to the encoded data in latent space outperformed every anomaly score tested, achieving an AUC value of 0.8292 for Hospital São Francisco dataset and 0.9498 for MIMIC-III dataset. These results are competitive with the AUC values of 0.8784 and 0.9988 obtained with supervised models and data from Hospital São Francisco Xavier and MIMIC-III datasets, respectively. The benefits of incorporating information regarding the time elapsed between successive observations was also evaluated with the use of T-LSTM layers, however no significant improvements were observed.}
Keywords: {pt=Choque séptico, Aprendizagem supervisionada, Aprendizagem não supervisionada, Deteção de anomalias, T-LSTM, en=Septic shock, Supervised ML, Unsupervised ML, Anomaly scores, T-LSTM.}

Discussão: novembro 30, 2021, 15:45