Μονάδα:
Τμήμα ΝοσηλευτικήςΒιβλιοθήκη Επιστημών Υγείας
Ημερομηνία κατάθεσης:
2024-04-11
Συγγραφέας:
Σακαγιάννη Αικατερίνη
Στοιχεία επταμελούς επιτροπής:
Γεώργιος Φιλντίσης, Ομότιμος Καθηγητής, Τμήμα Νοσηλευτικής, ΕΚΠΑ (ΕΠΙΒΛΕΠΩΝ)
Παύλος Μυριανθεύς, Καθηγητής, Τμήμα Νοσηλευτικής, ΕΚΠΑ
Δημήτριος Καλλές, Καθηγητής, Σχολή Θετικών Επιστημών και Τεχνολογίας, ΕΑΠ
Κωνσταντίνος Τσουμάκας, Ομότιμος Καθηγητής, Τμήμα Νοσηλευτικής, ΕΚΠΑ
Βασίλειος Βερύκιος, Καθηγητής, Σχολή Θετικών Επιστημών και Τεχνολογίας, ΕΑΠ
Θεόδωρος Κατσούλας, Αναπληρωτής Καθηγητής, Τμήμα Νοσηλευτικής, ΕΚΠΑ
Παντελής Στεργιάννης, Επίκουρος Καθηγητής, Τμήμα Νοσηλευτικής, ΕΚΠΑ
Πρωτότυπος Τίτλος:
Χρήση μεθόδων τεχνητής νοημοσύνης για την πρόβλεψη της μικροβιακής αντοχής και την επιλογή εμπειρικής θεραπείας
Γλώσσες διατριβής:
Ελληνικά
Μεταφρασμένος τίτλος:
Χρήση μεθόδων τεχνητής νοημοσύνης για την πρόβλεψη της μικροβιακής αντοχής και την επιλογή εμπειρικής θεραπείας
Περίληψη:
Εισαγωγή: Οι νοσοκομειακές λοιμώξεις, ιδίως στη μονάδα εντατικής θεραπείας, έχουν γίνει όλο και πιο συχνές κατά την τελευταία δεκαετία, με τις αρνητικές κατά Gram βακτηριακές λοιμώξεις να παρουσιάζουν τη μεγαλύτερη συχνότητα εμφάνισης. Οι πολυανθεκτικές Gram-αρνητικές λοιμώξεις σχετίζονται με υψηλή νοσηρότητα και θνησιμότητα με σημαντικό άμεσο και έμμεσο κόστος που προκύπτει από τη μακρά νοσηλεία λόγω αποτυχίας της αντιβιοτικής αγωγής. Ο χρόνος που απαιτείται για τον εντοπισμό των βακτηρίων και τον έλεγχο της αντοχής στα αντιβιοτικά είναι καίριας σημασίας, λόγω της κρίσιμης κατάστασης της υγείας των ασθενών στη Μονάδα Εντατικής Θεραπείας. Καθώς οι παραδοσιακές δοκιμασίες ευαισθησίας απαιτούν περισσότερες από 24 ώρες μετά τη συλλογή του δείγματος για τον προσδιορισμό της ευαισθησίας σε συγκεκριμένα αντιβιοτικά, προτείνουμε την εφαρμογή τεχνικών μηχανικής μάθησης για να βοηθήσουμε τον κλινικό ιατρό να εκτιμήσει εάν τα βακτήρια είναι ανθεκτικά σε μεμονωμένα αντιμικροβιακά, προτού ολοκληρωθούν οι δοκιμασίες αντιμικροβιακής ευαισθησίας.
Σκοπός: H εφαρμογή και σύγκριση μεθόδων Μηχανικής Μάθησης χρησιμοποιώντας δεδομένα από το πληροφοριακό σύστημα του νοσοκομείου και η ανάπτυξη μοντέλων πρόβλεψης μικροβιακής αντοχής για την υποστήριξη αποφάσεων σχετικά με την αντιμικροβιακή θεραπεία.
Υλικό – Μέθοδος: Εφαρμόστηκαν και συγκρίθηκαν διάφορες μέθοδοι τεχνητής νοημοσύνης (Μηχανικής Μάθησης) σε δεδομένα του πληροφοριακού συστήματος του νοσοκομείου σχετικά με δημογραφικά δεδομένα, αποτελέσματα καλλιεργειών και δεδομένα αντιμικροβιακής ευαισθησίας ασθενών που νοσηλεύονται στη ΜΕΘ και σε άλλα τμήματα ενός ελληνικού νοσοκομείου κατά τη διάρκεια τριών ετών. Στις πέντε επιμέρους μελέτες χρησιμοποιούνται διαφορετικοί ταξινομητές μηχανικής μάθησης και τεχνικές, όπως το ClassBalancer και η τεχνική υπερδειγματοληψίας συνθετικής μειονότητας (SMOTE) για την αντιμετώπιση της ανισορροπίας δεδομένων. Επιπλέον, χρησιμοποιούνται διάφορες τεχνικές ανάλυσης δεδομένων, συμπεριλαμβανομένης της εξόρυξης κανόνων συσχέτισης με τον αλγόριθμο Apriori και της 10-πλάσιας διασταυρούμενης επικύρωσης. Εργαλεία λογισμικού όπως το WEKA και η γλώσσα προγραμματισμού R χρησιμοποιούνται για ανάλυση και οπτικοποίηση των αποτελεσμάτων.
Αποτελέσματα: Από τα συνολικά αποτελέσματα των πέντε επιμέρους μελετών προκύπτει μια εκτενής χρήση μεθόδων μηχανικής μάθησης για την αξιολόγηση και την πρόβλεψη της μικροβιακής αντοχής. Χρησιμοποιήθηκαν διάφοροι αλγόριθμοι και τεχνικές που εκτιμήθηκαν με βάση δείκτες όπως TP rate, FP rate, Precision, Recall, F-measure, MMC, εμβαδόν κάτω από την καμπύλη ROC και PRC. Τεχνικές όπως kNN, πολυωνυμική λογιστική παλινδρόμηση, Multilayer perceptron, JRip και μοντέλα ταξινόμησης μέσω παλινδρόμησης αναδείχθηκαν για τις ισχυρές τους επιδόσεις σε διαφορετικά μέτρα απόδοσης. Τα αποτελέσματα της εφαρμογής αυτοματοποιημένης μηχανικής μάθησης (AutoML), επιβεβαίωσαν την αξία της στην εύρεση ισχυρών μοντέλων πρόβλεψης (ειδικότερα του StackEnsemble), με υψηλές επιδόσεις σε σταθμισμένες μετρικές όπως AUCW, APSW, F1W και ACC. Η σημασία των διαφόρων χαρακτηριστικών, όπως το είδος του αντιβιοτικού, το φύλο, η ηλικία και το είδος του δείγματος, υπογραμμίστηκε ως κρίσιμο στοιχείο στην πρόβλεψη μικροβιακής αντοχής. Τέλος, με την ανάλυση κανόνων συσχέτισης βάσει κατωφλίων ελάχιστης υποστήριξης και εμπιστοσύνης, εξήχθησαν κανόνες με ιδιαίτερα υψηλή εμπιστοσύνη, αποκαλύπτοντας ισχυρές συσχετίσεις μεταξύ των χαρακτηριστικών των δεδομένων και της ευαισθησίας σε αντιβιοτικά.
Συμπέρασμα: Η εφαρμογή αλγορίθμων μηχανικής μάθησης σε δεδομένα αντιμικροβιακής ευαισθησίας ασθενών, τα οποία είναι άμεσα διαθέσιμα, από το πληροφοριακό σύστημα του νοσοκομείου, ακόμη και σε νοσοκομεία με περιορισμένους πόρους, μπορεί να παρέχει κατατοπιστικές προβλέψεις ευαισθησίας στα αντιβιοτικά, ώστε να βοηθήσει τους κλινικούς ιατρούς στην επιλογή της κατάλληλης εμπειρικής αντιβιοτικής θεραπείας. Αυτές οι στρατηγικές, όταν χρησιμοποιούνται ως εργαλείο υποστήριξης αποφάσεων, έχουν τη δυνατότητα να βελτιώσουν την επιλογή εμπειρικής θεραπείας και να μειώσουν το φορτίο της μικροβιακής αντοχής.
Κύρια θεματική κατηγορία:
Επιστήμες Υγείας
Λέξεις-κλειδιά:
Μηχανική μάθηση, Τεχνητή νοημοσύνη, Μικροβιακή αντοχή, Διαχείριση αντιβιοτικών, Εργαλεία υποστήριξης κλινικών αποφάσεων
Αρ. σελίδων ευρετηρίου:
0
Αρ. βιβλιογραφικών αναφορών:
150
Αρχείο:
Δεν επιτρέπεται η πρόσβαση στο αρχείο έως 2025-04-11.
Dissertation_A.Sakagianni.pdf
2 MB
Δεν επιτρέπεται η πρόσβαση στο αρχείο έως 2025-04-11.
