Návrh predikčního modelu pro diagnostiku Alzheimerovy choroby a jeho implementace praxi

Eliška Mádrová

Diplomová práce

Proposal of a prediction model for diagnosis of Alzheimer's disease and its implementation in practice

Anotace:

Tato diplomová práce se zabývá použitím různých metod pro vytvoření predikčního modelu pro diagnostiku Alzheimerovy choroby a jejich následným porovnáním. Cílem práce je navrhnout predikční model pro diagnostiku Alzheimerovy choroby a navrhnout implementaci řešení do praxe. Práce se zaměřila na predikci stádia nemoci v období jednoho roku. Nejprve se v práci analyzuje současný stav využití umělé inteligence a strojového učení ve zdravotnictví a poté se zaměřuje na popis problému Alzheimerovy choroby pro představení kontextu relevantního pro vývoj predikčního modelu. Hlavní část práce se věnuje výběru nástrojů a metod strojového učení, včetně popisu jednotlivých technik a jejich implementací v jazyce Python. Dále jsou v práci zpracována data před jejich použitím pro trénink modelů. Analýza různých prediktivních modelů odhalila, že nejlepší výsledky pro predikci stádia nemoci podává model xgboost. V závěru jsou diskutovány technologické, právní a etické aspekty implementace modelu do praxe ve zdravotnickém prostředí. Tato práce shrnuje poznatky v oblasti možné diagnostiky Alzheimerovy choroby pomocí umělé inteligence a ukazuje potenciál strojového učení jako užitečného nástroje pro zlepšení péče o pacienty s touto nemocí.

Abstract:

This thesis focuses on the use of different methods for creating a prediction model for the diagnosis of Alzheimer's disease and their subsequent comparison. The aim of the thesis is to propose a prediction model for the diagnosis of Alzheimer's disease and to suggest the implementation of the solution in practice. The thesis focuses on prediction of the stage of the disease over a period of one year. First, the thesis analyzes the current state of the art of the use of artificial intelligence and machine learning in healthcare and then focuses on the description of the Alzheimer's disease to present the context relevant to the development of the prediction model. The main part of the thesis focuses on the selection of machine learning tools and methods, including a description of each technique and its implementation in Python. Furthermore, the thesis processes the data before using it to train the models. The analysis of different predictive models reveals that the xgboost model gives the best results for predicting the stage of the disease. Finally, the technological, legal and ethical aspects of implementing the model into practice in a healthcare setting are discussed. This thesis summarizes the findings in the field of possible diagnosis of Alzheimer's disease using artificial intelligence and shows the potential of machine learning as a useful tool for improving the care of patients with this disease.

Klíčová slova

xgboost, náhodný les, zdravotnictví, strojové učení

Keywords

machine learning, xgboost, random forest, healthcare

Jazyk práce: čeština

Datum vytvoření / odevzdání či podání práce: 29. 4. 2024

Obhajoba závěrečné práce

• Obhajoba proběhla 6. 6. 2024
• Vedoucí: Martin Potančok
• Oponent: Pavel Zimmermann

Vysoká škola ekonomická v Praze

Magisterský studijní program:
Data a analytika pro business