Στοιχεία επιβλεπόντων καθηγητών:
Ιωσήφ Λιάσκος, Ε.ΔΙ.Π, Τμήμα Νοσηλευτικής, ΕΚΠΑ
Εμμανουήλ Ζούλιας, Ε.ΔΙ.Π, Τμήμα Νοσηλευτικής, ΕΚΠΑ
Ιωάννης Μαντάς, Ομότιμος Καθηγητής, Τμήμα Νοσηλευτικής, ΕΚΠΑ
Περίληψη:
Η φυματίωση είναι μια ιδιαίτερα μεταδοτική ασθένεια και παραμένει μια από τις κύριες αιτίες θανάτου από μολυσματικές ασθένειες σε παγκόσμιο επίπεδο. Παρόλο που έχει επιτευχθεί σημαντική πρόοδος στην πρόληψη, τη διάγνωση και τη θεραπεία της νόσου, τα αναφερόμενα περιστατικά παραμένουν αυξημένα, ιδιαίτερα σε περιοχές με περιορισμένη πρόσβαση σε υγειονομική περίθαλψη. Η ραγδαία εξέλιξη της Τεχνητής Νοημοσύνης θα μπορούσε να αποτελέσει ακρογωνιαίο λίθο στην ανάπτυξη και εφαρμογή νέων θεραπευτικών προσεγγίσεων μέσω της δημιουργίας μοντέλων Μηχανικής Μάθησης.
Η παρούσα εργασία στοχεύει στην δημιουργία ενός αποδοτικού μοντέλου Μηχανικής Μάθησης, το οποίο θα προβλέπει την έκβαση της θεραπευτικής αγωγής των ασθενών με φυματίωση. Το μοντέλο αυτό θα μπορούσε να συμβάλλει στην αύξηση των ποσοστών επιτυχίας της θεραπείας και κατ’ επέκταση στον περιορισμό της θνησιμότητας της νόσου, διαμορφώνοντας εξατομικευμένες θεραπευτικές προσεγγίσεις και βοηθώντας στην βελτιστοποίηση της διαχείρισης των διαθέσιμων πόρων.
Για την επίτευξη αυτού του στόχου, εφαρμόστηκαν οι αλγόριθμοι Random Forest (RF) και Support Vector Machines (SVM) σε ένα σύνολο δεδομένων που αποτελούνταν από τα κοινωνικά και δημογραφικά χαρακτηριστικά των ασθενών, καθώς και τις κλινικές πληροφορίες και τα εργαστηριακά δεδομένα που αφορούν την φυματίωση.
Επιπρόσθετα, εξετάστηκε η συνεισφορά της τεχνικής Synthetic Minority Over-sampling Technique (SMOTE) για την αντιμετώπιση της ανισορροπίας των κλάσεων, καθώς και της τεχνικής Information Gain Attribute Evaluation για την εύρεση των βέλτιστων χαρακτηριστικών. Επιπλέον, διενεργήθηκε Supplied test set, χρησιμοποιώντας νέα ανεξάρτητα δεδομένα για την αξιολόγηση της ικανότητας γενίκευσης του μοντέλου που επιλέχθηκε ως πιο αποδοτικό.
Το πιο αποδοτικό μοντέλο ήταν αυτό του SVM, με τη χρήση της τεχνικής SMOTE και την επιλογή της πολυωνυμικής συνάρτησης πυρήνα, χωρίς την εφαρμογή της τεχνικής Information Gain Attribute Evaluation. Το μοντέλο αυτό ταξινόμησε σωστά το 98.21% των δειγμάτων. Για την κλάση του θανάτου, στην οποία επικεντρώνεται η εργασία, το μοντέλο σημείωσε TPR ή Recall 0,858, FPR 0,009, Precision 0,867 και F-Measure 0,862. Για την κλάση της ίασης, το μοντέλο σημείωσε TPR ή Recall 0,991, FPR 0,142, Precision 0,990 και F-Measure 0,990. Συνολικά, ο σταθμισμένος μέσος όρος (weighted average), ο οποίος λαμβάνει υπόψη τον αριθμό των δειγμάτων σε κάθε κλάση, εμφάνισε TPR ή Recall 0,982, FPR 0,134, Precision 0,982 και F-Measure 0,982. Το Supplied test είχε ως αποτέλεσμα τη μείωση της απόδοσης του μοντέλου στην κλάση του θανάτου, αλλά την αύξηση της απόδοσης στην κλάση της ίασης, διατηρώντας τη συνολική απόδοση του μοντέλου ιδιαίτερα ικανοποιητική για τον στόχο της μελέτης.
Συμπερασματικά, τα αποτελέσματα δείχνουν ότι το μοντέλο SVM, σε συνδυασμό με την τεχνική SMOTE και την πολυωνυμική συνάρτηση πυρήνα, αποτελεί την πιο αποτελεσματική προσέγγιση για την πρόβλεψη της έκβασης της θεραπείας της φυματίωσης. Αυτό το μοντέλο θα μπορούσε να διαδραματίσει καθοριστικό ρόλο στη βελτίωση των αποτελεσμάτων της θεραπείας και στον μετριασμό της θνησιμότητας που σχετίζεται με τη φυματίωση, προωθώντας έτσι τις εξατομικευμένες θεραπευτικές στρατηγικές και τη βέλτιστη διαχείριση των διαθέσιμων πόρων.
Λέξεις-κλειδιά:
Μηχανική μάθηση, Κατηγοριοποίηση, Ανισορροπία κλάσεων, Επιλογή χαρακτηριστικών, Μηχανές Διανυσμάτων Υποστήριξης, Τυχαίο Δάσος, Φυματίωση, Πρόβλεψη έκβασης θεραπείας
