<?xml version="1.0"?>
<rdf:RDF xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#" xmlns:dc="http://purl.org/dc/elements/1.1/"><rdf:Description rdf:about="https://repozitorij.uni-lj.si/IzpisGradiva.php?id=124847"><dc:title>Analiza biomehanskih značilnosti ortopedskih pacientov za napovedovanje degenerativnih obolenj</dc:title><dc:creator>Ravnik,	Šimen	(Avtor)
	</dc:creator><dc:creator>Šubelj,	Lovro	(Mentor)
	</dc:creator><dc:subject>strojno učenje</dc:subject><dc:subject>podatkovno rudarjenje</dc:subject><dc:subject>računalništvo v medicini</dc:subject><dc:subject>sagitalna usmeritev medenice</dc:subject><dc:description>Analiza biomehanskih značilnosti ortopedskih pacientov za napovedovanje degenerativnih obolenj je raziskovalno delo na področju medicine oziroma bolj natančno ortopedije. Sagitalno ravnovesje pomeni harmonično obliko hrbtenice in pravilna sagitalna usmeritev medenice je pri zagotavljanju le-tega ključnega pomena. Sagitalno usmeritev medenice določimo na podlagi merjenja biomehanskih oziroma geometrijskih parametrov, s katerimi se nato ugotavlja nepravilnosti, ki lahko povzročijo degenerativna obolenja, kot so na primer hernia diska in spondilolisteza.

Ugotavljanje nepravilnosti usmeritve medenice je običajno ročno opravilo in je posledično rezultat relativno subjektivna odločitev. S sodobnimi metodami strojnega učenja je mogoče paciente klasificirati in s tem omogočiti lažjo in bolj natančno odločitev. V delu je najprej predstavljena analiza geometrijskih parametrov, s katerimi se diagnosticira paciente z degenerativnimi obolenji ledvene hrbtenice, nato pa so parametri uporabljeni tudi v različnih napovednih modelih strojnega učenja, s katerimi izvedemo klasifikacijo tovrstnih pacientov.

Ugotovili smo, da je najuspešnejši napovedni model strojnega učenja za naše podatke logistična regresija. Z njo dosežemo uspešnost diagnosticiranja hernijskih pacientov – občutljivost: 83.3% (95%CI 72.1 - 96.8%) in specifičnost: 75.0% (95%CI 64.7 - 85.2%), ki je primerljiva uspešnosti kliničnega diagnosticiranja. Uspešnost diagnosticiranja pacientov s spondilolistezo z našim napovednim modelom pa znaša – občutljivost: 96,4% (95%CI 93,6 - 99,1%) in specifičnost: 97.5% (95%CI 94,3 - 1.0%), kar izboljša občutljivost kliničnega diagnosticiranja pacientov s spondilolistezo od 8% do 36%, specifičnost pa do približno 10%.</dc:description><dc:date>2021</dc:date><dc:date>2021-02-23 13:30:01</dc:date><dc:type>Diplomsko delo/naloga</dc:type><dc:identifier>124847</dc:identifier><dc:language>sl</dc:language></rdf:Description></rdf:RDF>
