27502

ارائه مدل تركيبي مبتني بر الگوريتم هاي يادگيري ماشين جهت پيش بيني نياز بيماران بخش مراقبت‌هاي ويژه به دستگاه تنفس مصنوعي (مطالعه موردي)

كارشناسي ارشد

مهندسي صنايع

1398

1401/04/22

خانم دكتر فرناز برزين پور

آقاي دكتر روزبه قوسي

مهندسي صنايع

توسعه تجهيزات پزشكي و سطح مراقبت‌هاي بهداشتي باعث توليد مقدار زيادي از اطلاعات و داده پزشكي ارزشمند شده است. تلاش جهت بدست آوردن اطلاعات مفيد با توجه به پردازش داده‌هاي موجود امري بسيار مهم مي‌باشد كه مي‌تواند جان بسياري از بيماران را نجات دهد. يكي از چالش‌هايي كه در سيستم‌هاي پزشكي و بخش مراقبت‌هاي ويژه بيمارستان‌ها وجود دارد تامين دستگاه ونتيلاتور مي‌باشد. چرا كه باتوجه به شيوع بيماري كويد-19 اكثر بيماراني كه در بخش آي سي يو پذيرش مي‌شوند در شرايط حاد تنفسي هستند و نياز مبرم به استفاده از دستگاه ونتيلاتور دارند و اين موضوع نياز به اين دستگاه را در بيمارستان‌ها دوچندان كرده است. پيش بيني دقيق وضعيت نياز بيماران بستري در بخش مراقبت هاي ويژه به دستگاه ونتيلاتور مي‌تواند كيفيت مراقبت را بهبود و هزينه‌هاي مربوطه را به شدت كاهش دهد. بنابراين پيش‌بيني هرچه سريع‌تر آن در بيماران بسيار مهم است. اين پژوهش با استفاده از الگوريتم‌هاي تركيبي مبتني بر درخت تصميم يادگيري ماشين مانند جنگل تصادفي، گراديان تقويتي و تقويت گراديان سبك مدلي جهت پيش‌بيني نياز بيماران بستري در بخش مراقبت‌هاي ويژه به دستگاه ونتيلاتور ارائه كرده است. همچنين با استفاده از الگوريتم ژنتيك مقدار بهينه هر يك از هايپرپارامترهاي مدل مشخص شده است تا دقت و عملكرد مدل پيش‌بيني به حد مطلوبي برسد. پس از تحليل نتايج حاصل از اجراي الگوريتم‌هاي مختلف يادگيري ماشين نهايتا روش تقويت گراديان سبك با دقت 85% و سطح زير نمودار84% مطلوب‌ترين خروجي را نسبت به ساير الگوريتم‌ها نشان مي‌دهد. همچنين نتايج حاصل از اجراي الگوريتم ژنتيك جهت بهينه‌سازي الگوريتم‌ها بيانگر اين است كه ساخت مدل‌هاي تركيبي به اين شكل كه از خروجي الگوريتم ژنتيك به عنوان ورودي مدل‌هاي يادگيري ماشين استفاده شود، دقت و كارايي عملكرد مدل‌هاي پيش‌بيني را بهبود مي‌دهد. همچنين شناسايي ويژگي‌هاي مهم و تاثيرگذار در اين مساله عامل مهمي براي بهبود تشخيص و پيش‌بيني در اين حوزه تحقيق مي‌باشد كه با دو روش گراديان تقويتي و K Bestاجرا شد و نهايتا ميزان اوره خون، سن بيمار و ميزان پلاكت خون بيمار از عوامل تاثيرگذار بر اين پيش‌بيني شناخته شدند.

1401/09/22

Providing a hybrid model based on machine learning algorithms to predict the ventilation need of patients in the intensive care unit (A case study)

7/13/2023 12:00:00 AM

The development of medical equipment and the level of healthcare has generated a large amount of valuable medical information and data. To obtain useful information regarding the processing of existing data is very important and can save the life of many patients. One of the challenges in the medical systems and special care departments of hospitals is the supply of ventilators. Because due to the spread of the Covid-19 disease, most of the patients who are admitted to the Intensive Care Unit (ICU) are in acute respiratory conditions and urgently need to use ventilators, and this issue has doubled the need for this device in hospitals. Accurately predicting the condition of patients admitted to the intensive care unit for ventilators can improve the quality of care and greatly reduce related costs. Therefore, it is very important to predict it as soon as possible in patients. This research has presented a model for predicting the ventilator needs of hospitalized patients in ICU using hybrid algorithms based on machine learning decision trees such as random forest, gradient reinforcement and light gradient reinforcement. Also by using the genetic algorithm, the best value of each of the hyperparameters of the model has been determined so that the accuracy and performance of the prediction model can reach the desired level. After analyzing the results of the implementation of different machine learning algorithms, finally, the light GBM method with 85% accuracy and 84% AUC shows the most favorable output compared to other algorithms. Also, the results obtained from the implementation of the genetic algorithm to improve the algorithms indicate that the construction of hybrid models in such a way that the output of the genetic algorithm is used as the input of the machine learning models improves the accuracy and efficiency of the performance of the prediction models. Also, the identification of important and influential features in this issue is an important factor for improving diagnosis and prediction in this field of research, which was carried out with two methods of XG Boost and K Best, and finally, the blood pressure, urea, age and amount of platelets in the patient's blood were known as important factors in this prediction.

پيش بيني , يادگيري ماشين , الگوريتم ژنتيك , مدل تركيبي , بخش مراقبت هاي ويژه

Prediction , , Machine Learning , Genetic Algorithm , Hybrid Model , Intensive Care Unit

Anahita Kankavari

Farnaz Barzinpour