20.500.12556/RUL-160703 Ugotavljanje napredovanja hipertrofične kardiomiopatije z uporabo metod za zaznavanje sprememb v podatkih Monitoring progression of hypertrophic cardiomyopathy using data change detection methods Strojno učenje je orodje za delo z velikimi količinami podatkov, ki jih je sicer težko obravnavati. Uporaba tega orodja je vedno bolj pogosta in prodira tudi v medicino. Tehnologija je v medicini že močno prisotna in s tem je na voljo veliko podatkov, ki so uporabni pri strojnem učenju. To diplomsko delo obravnava podatke pacientov hipertrofične kardiomiopatije, bolezni srca in ožilja. V okviru diplomskega dela smo razvili sistem, ki spremlja zaporedne meritve posameznih pacientov in opozori ob pomembnem poslabšanju zdravstvenega stanja. Kritičnost stanja je ocenjena z uporabo napovednega modela, ki napoveduje, ali se bo pacientu kmalu zgodil ključen dogodek, kot je srčni zastoj. Model je predhodno naučen na učni množici. Spremembe vrednosti pa zazna metoda Page-Hinkley. Sistem ima tudi možnost inkrementalnega učenja. Sistem je bil nato testiran na podmnožici podatkov z uporabo različnih napovednih modelov. Prikazana je tudi pomembnost različnih delov sistema za uspešnost. Najboljši rezultat je bil dosežen z logistično regresijo, pri kateri je bila pri meri F1 dosežena vrednost 0.357 s senzitivnostjo 0.426, preciznostjo 0.308 in specifičnostjo 0.976. Machine learning (ML) is a tool for working with huge amounts of data that would otherwise be a difficult task. Its use is surging and it is now also being used in medicine. Due to technology being ever-present in medicine, there is already an abundance of data ready to be used in ML. This thesis works with data of patients with hypertrophic cardiomyopathy, a cardiovascular disease. A system was developed that observes consecutive measurements of a patient and alerts us in case of significant worsening. The severity of the patient's condition is estimated using a pretrained prediction model, which predicts the chances of patient soon having a key event such as a cardiac arrest. The changes in estimations are detected using the Page-Hinkley method. Incremental learning was also implemented. The system was tested using various prediction models. The results also demonstrate the importance of different components of the system for its overall usefulness. The best result achieved an F1 score of 0.357, with a sensitivity of 0.426, a precision of 0.308 and a specificity of 0.976. This result was achieved using logistic regression. strojno učenje inkrementalno učenje razvoj bolezni zaznavanje spremembe stanja Page-Hinkley machine learning incremental learning disease progression risk stratification drift detection Page-Hinkley true false false Slovenski jezik Angleški jezik Diplomsko delo/naloga 2024-09-03 15:55:11 2024-09-03 15:55:16 2024-09-26 10:38:06 0000-00-00 00:00:00 2024 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 37231 209013763 Klemenc_Jan_-_Ugotavljanje_napredovanja_hipertroficne_kardiomiopatije_z_uporabo_metod_za_zaznava.pdf Klemenc_Jan_-_Ugotavljanje_napredovanja_hipertroficne_kardiomiopatije_z_uporabo_metod_za_zaznava.pdf 1 E9E34EBFA35DAB075B6DA4877E01C97A df5322aedf66607b04e3eedb632bf0fbf8d560d815ebc699d0994399f81b691f e6b53baf-69fb-11ef-8f74-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=189472 Fakulteta za računalništvo in informatiko Fakulteta za matematiko in fiziko 0 0 0