University of Twente Student Theses

Login

Ontwerpen van een machine learning algoritme om hemodynamische verslechtering te voorspellen bij volwassen IC-patiënten

Meenhuis, J.E. and Barodi, R.N.W. and Sijtsma, T. (2023) Ontwerpen van een machine learning algoritme om hemodynamische verslechtering te voorspellen bij volwassen IC-patiënten.

[img] PDF
11MB
Abstract:Introductie: De Hemodynamic Deterioration Index (HDI) is een machine learning algoritme ontwikkeld om hemodynamische instabiliteit één uur van tevoren te voorspellen bij intensive care patiënten. Hiermee kan de informatiestress op de IC worden weggenomen door één voorspellende waarde. Artsen kunnen daarop proactief handelen, wat gezondheidsvoordelen oplevert voor patiënten. Telkens wordt een terugkoppeling gemaakt naar de implementatie van de HDI op de IC van het Catharina Ziekenhuis Eindhoven (CZE), waar veel cardio-thoracale chirurgische patiënten liggen. Methoden De classificatiemodellen Logistische Regressie, Adaptive Boosting, Gradient Boosting en Random Forest werden getraind op de Medical Information Mart for Intensive Care-III (MIMIC-III) database. Na voorbewerking zijn 10.401 patiënten geïncludeerd met 207 variabelen, waaronder extra berekende parameters als shockindices en statistische (trend)parameters zoals gemiddelden en standaarddeviaties. Hyperparameter optimalisatie gebeurde in gestratificeerde 6-fold kruisvalidatie. De modellen werden hertraind na een verkennende gegevensanalyse waarin onder andere insignificant correlerende parameters werden verwijderd. Hier zijn 116 parameters overgehouden. Ook werd hertraind op een subset van alleen cardiale patiënten, wat relevant is voor het CZE. Uitkomstmaten bestonden onder andere uit area under receiver operator characteristic curve (AUROC), sensitiviteit, specificiteit en belangrijkheid van parameters. Resultaten Gradient Boosting blijkt de beste classificator voor het voorspellen van HI, met een AUROC van 0,895 voor de voorbewerkte MIMIC-dataset (se. 0,755, sp. 0,891 ), een AUROC van 0,855 na aanvullende bewerkingsstappen in een verkennende gegevensanalyse (se. 0,709, sp. 0,859 ) en een AUROC van 0,861 voor de cardiale patiëntengroep (se. 0,811, sp. 0,760 ). Recent gemeten systolische bloeddrukken, standaarddeviaties van de hartslag en gemiddelde zuurstofsaturaties blijken belangrijke parameters voor de voorspelling van HI. Conclusie De totstandkoming van de HDI is uitgebreid en klinisch onderbouwd, tevens volgens de TRIPOD-richtlijn, wat zorgt voor een goed interpreteerbaar en reproduceerbaar model. Gradient Boosting (AUROC=0,895) is het best presterende classificatie ML-model voor de voorspelling van HI en werkt beter dan vergelijkbare modellen voor HI. Daarnaast zijn de prestaties van de HDI goed bij de subset van cardiale patiënten, wat bewijs zou kunnen zijn dat de HDI ook goed zou kunnen werken op de intensive care van het CZE. De belangrijkste parameters voor de voorspelling van HI waren de systolische bloeddrukken, standaarddeviaties van de hartslag en gemiddelde zuurstofsaturaties.
Item Type:Essay (Bachelor)
Faculty:TNW: Science and Technology
Subject:44 medicine, 54 computer science
Programme:Technical Medicine BSc (50033)
Link to this item:https://purl.utwente.nl/essays/98235
Export this item as:BibTeX
EndNote
HTML Citation
Reference Manager

 

Repository Staff Only: item control page