Prediktivní modelování zdravotního stavu pacientů pomocí strojového učení

Ujjwal Bhusal

Diplomová práce

Predictive modeling of patient health condition using machine learning

Abstract:

This thesis addresses using multiple machine learning models for healthcare use cases. It investigates the application of these models on two distinct datasets containing medical and surgical data, and their real-life applicability. The theoretical part includes a general introduction to the problem and the research goal, a literature review of various techniques used, existing research, successful examples, and ethical considerations. Two different datasets containing medical-surgical data have been selected in the practical part. Eight models have been applied to the first dataset with different training settings. Three models have been applied to the second dataset with stratified K-fold cross-validation and learning curve analysis due to the small size of the dataset. The models were evaluated using accuracy, precision, recall, the F1 score, and the confusion matrix. For the first dataset, the results fluctuated across all eight models, with rapid improvement observed for each case after 20 training iterations. All three models exhibited improvement with more training data for the second dataset, though generalizability remained a challenge due to the limited dataset size. The results underscore the importance of machine learning in healthcare, demonstrating promising predictive modeling results despite data size constraints. The potential impact of AI and ML on patients and healthcare is also highlighted, considering ethical implications, future research directions, and study limitations.

Abstract:

Tato práce se zabývá využitím více modelů strojového učení pro případy použití ve zdravotnictví. Zkoumá použití těchto modelů na dvou různých souborech dat obsahujících lékařská a chirurgická data a jejich použitelnost v reálném životě. Teoretická část obsahuje obecný úvod do problematiky a cíle výzkumu, přehled literatury o různých používaných technikách, existujícím výzkumu, úspěšných příkladech a etických aspektech. V praktické části byly vybrány dvě různé sady dat obsahující lékařsko-chirurgická data. Na první datovou sadu bylo aplikováno osm modelů s různými nastaveními trénování. Na druhou datovou sadu byly aplikovány tři modely se stratifikovanou K-násobnou cross-validací a analýzou křivky učení z důvodu malé velikosti datové sady. Modely byly vyhodnoceny pomocí accuracy, precision, recall, skóre F1 a matice záměny. U prvního souboru dat výsledky kolísaly u všech osmi modelů, přičemž po 20 iteracích trénování bylo u každého modelu pozorováno rychlé zlepšení. U druhé sady dat vykazovaly všechny tři modely zlepšení s větším množstvím trénovacích dat, ačkoli generalizace zůstávala problémem kvůli omezené velikosti sady dat. Výsledky podtrhují význam strojového učení ve zdravotnictví a ukazují slibné výsledky prediktivního modelování i přes omezení velikosti dat. Zdůrazněn je také potenciální dopad umělé inteligence a strojového učení na pacienty a zdravotní péči s ohledem na etické důsledky, budoucí směry výzkumu a omezení studie.

Keywords

Umělá inteligence, Strojové učení, Klasifikační modely, Prediktivní analýza, Zdravotní péče, Lékařská diagnostika

Jazyk práce: angličtina

Datum vytvoření / odevzdání či podání práce: 13. 5. 2024

Obhajoba závěrečné práce

• Vedoucí: prof. Ing. Roman Šenkeřík, Ph.D.

Univerzita Tomáše Bati ve Zlíně

Fakulta aplikované informatiky

Magisterský studijní program / obor:
Information Technologies / Software Engineering