Ανάπτυξη ερμηνεύσιμου μοντέλου εκτίμησης του κινδύνου νοσηλείας και επανανοσηλείας σε άτομα με σακχαρώδη διαβήτη τύπου 1

Μόνου, Σταματίνα

dc.contributor.author	Μόνου, Σταματίνα	el
dc.date.accessioned	2021-03-18T07:16:12Z
dc.date.available	2021-03-18T07:16:12Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/53084
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.20782
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Σακχαρώδης διαβήτης τύπου 1	el
dc.subject	Μοντέλα πρόβλεψης κινδύνου νοσηλείας	el
dc.subject	Μη ισορροπημένα δεδομένα	el
dc.subject	Υποδειγματοληψία	el
dc.subject	Συνδιαστικό μοντέλο	el
dc.subject	Ερμηνευσιμότητα	el
dc.subject	LSTM	en
dc.subject	LIME	en
dc.subject	Type 1 diabetes mellitus	en
dc.subject	Prediction for risk of hospitalization models	en
dc.subject	Unbalanced dataset	en
dc.title	Ανάπτυξη ερμηνεύσιμου μοντέλου εκτίμησης του κινδύνου νοσηλείας και επανανοσηλείας σε άτομα με σακχαρώδη διαβήτη τύπου 1	el
dc.contributor.department	Εργαστήριο Βιοϊατρικών Προσομοιώσεων και Απεικονιστικής Τεχνολογίας (BIOSIM)	el
heal.type	bachelorThesis
heal.classification	Machine Learning	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-02-26
heal.abstract	Αντικείμενο της παρούσας διπλωματικής εργασίας αποτελεί η σχεδίαση, η ανάπτυξη και η αξιολόγηση ενός ερμηνεύσιμου μοντέλου εκτίμησης του κινδύνου νοσηλείας και επανανοσηλείας λόγω διαβητικής κετοξέωσης σε άτομα με Σακχαρώδη Διαβήτη Τύπου 1 (ΣΔΤ1). Ο ΣΔ αποτελεί αυτοάνοσο νόσημα που χαρακτηρίζεται από αυξημένα επίπεδα γλυκόζης στην κυκλοφορία του αίματος. Ο ΣΔΤ1 διαγιγνώσκεται συχνότερα κατά την παιδική και την εφηβική ηλικία. Η αποτελεσματική διαχείριση της ασθένειας βασίζεται στην επίτευξη ορθού γλυκαιμικού ελέγχου. Τα άτομα με ΣΔΤ1 αντιμετωπίζουν τον κίνδυνο της διαβητικής κετοξέωσης και κατ' επέκταση της έκτακτης νοσηλείας σε νοσοκομείο με κίνδυνο της ζωής τους. Η περιορισμένη χρήση μοντέλων μηχανικής μάθησης για την πρόβλεψη νοσηλείας στα άτομα με ΣΔΤ1 και η ακόμη σπανιότερη δυνατότητα ερμηνείας τους, οδήγησε στην ανάπτυξη της παρούσας διπλωματικής. Η ανάπτυξη του ερμηνεύσιμου μοντέλου βασίστηκε στη χρήση των Αναδρομικών Νευρωνικών Δικτύων Μακράς-Βραχείας Μνήμης (Long short-term memory - LSTM), τα οποία επιλέχθηκαν λόγω της ικανότητάς τους να διαχειρίζονται αποτελεσματικά σειριακά δεδομένα. Το μοντέλο έλαβε ως είσοδο δημογραφικά, σωματομετρικά και κλινικά δεδομένα, καθώς και δεδομένα θεραπείας, και εξήγαγε την πιθανότητα νοσηλείας και επανανοσηλείας σε βάθος ενός έτους. Για την αποτελεσματική διαχείριση της μη ισορροπημένης φύσης του συνόλου δεδομένων, υιοθετήθηκε προσέγγιση συλλογικής μάθησης με στόχο την εκπαίδευση πολλαπλών αρχικών LSTM μοντέλων, χρησιμοποιώντας ισορροπημένα υποσύνολα του αρχικού συνόλου δεδομένων, τα οποία εξήγαγαν την τελική πρόβλεψη μέσω του συνδυασμού των επιμέρους προβλέψεών τους. Στη συνέχεια οι αποφάσεις του συνδυαστικού μοντέλου ερμηνεύτηκαν μέσω της μεθόδου ερμηνευσιμότητας LIME. Πρόκειται για μία μέθοδο που χρησιμοποιεί τοπικά υποκατάστατα μοντέλα που είναι ερμηνεύσιμα και αξιοποιούνται για να εξηγήσουν μεμονωμένες προβλέψεις συνθετότερων μοντέλων μηχανικής μάθησης. Τα υποκατάστατα μοντέλα εκπαιδεύονται ώστε να μιμηθούν τη συμπεριφορά του σύνθετου-γενικού μοντέλου στην τοπική περιοχή του δείγματος ενδιαφέροντος. Για την ανάπτυξη και την αξιολόγηση του μοντέλου χρησιμοποιήθηκαν δεδομένα 127 ατόμων με ΣΔΤ1 από τη βάση δεδομένων "SWEET", που παραχωρήθηκε από το Νοσοκομείο Παίδων "Η Αγία Σοφία". Το μοντέλο αξιολογήθηκε ως προς τη διακριτική του ικανότητα, καθώς και ως προς την ικανότητά του να παράγει ακριβείς και ερμηνεύσιμες εκτιμήσεις του κινδύνου νοσηλείας και επανανοσηλείας.	el
heal.abstract	The present thesis aims at the design, the development and the evaluation of an interpretable model for the assessment of hospitalization and re-hospitalization risk due to diabetic ketoacidosis in patients with Type 1 Diabetes Mellitus (T1DM). T1DM seems to be more common in children and adolescents and is characterized by decreased insulin production by the body. People with T1DM face the risk of diabetic ketoacidosis and consequently emergency hospitalization which sets their lives at risk. However, limited research has been devoted to the development of machine learning models able to predict the hospitalization risk in patients with T1DM, while the absence of interpretations on the models' decisions has hampered their adoption in clinical practice. The development of the interpretable model was based on Long Short-Term Memory Neural Networks (LSTM), which were selected due to their excellent performance when it comes to sequential data. Frequently identified risk factors for recurrent hospital admissions due to diabetic ketoacidosis were considered to compose the input space. The imbalanced nature of the used dataset led to the adoption of an ensemble learning technique based on a subsampling method. In particular, multiple individual LSTM models were trained with balanced subsets of the original dataset, and the final risk scores were calculated through the combination of the individual models' decisions. The LIME interpretability method was leveraged towards the generation of interpretations on the ensemble model's decisions. According to LIME, local interpretable models are developed in order to explain the predictions of more complex machine learning models. Data collected from a two-year follow-up of 127 T1DM patients at the “Agia Sofia” Children’s Hospital, within the framework of the “SWEET” Initiative, were used for development and evaluation purposes. The model's predictive performance was measured in terms of discrimination and calibration, and evidence was provided on the model's ability to produce interpretable hospitalization and re-hospitalization risk scores.	en
heal.advisorName	Νικήτα, Κωνσταντίνα	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	72 σ.	el
heal.fullTextAvailability	false