Webbläsaren som du använder stöds inte av denna webbplats. Alla versioner av Internet Explorer stöds inte längre, av oss eller Microsoft (läs mer här: * https://www.microsoft.com/en-us/microsoft-365/windows/end-of-ie-support).

Var god och använd en modern webbläsare för att ta del av denna webbplats, som t.ex. nyaste versioner av Edge, Chrome, Firefox eller Safari osv.

Improving diagnosis of acute coronary syndromes in an emergency setting: A machine learning approach

Författare

  • Michael Green

Summary, in Swedish

Popular Abstract in Swedish

Akut koronart syndrom (AKS) är den största folkdödaren i väst idag. Trots välutbildade läkare och bra diagnostiska verktyg så är det forfarande svårt att ställa en diagnos tidigt på sjukhusens akutavdelningar. I den här avhandlingen undersöker vi möjligheter att i ett tidigt skede förutsäga AKS med hjälp av maskininlärning. Främst användes logistiska regressionsmodeller och kommitteer av artificiella neurala nätverk (ANN). Jämförelser med expertläkare genomfördes kontinuerligt som en kvalitetskontroll. Vi utvecklade även praktiska patientbaserade förklaringsmodeller för ett ANNs beslutsprocess.

Publiceringsår

2008

Språk

Engelska

Dokumenttyp

Doktorsavhandling

Ämne

  • Biophysics

Nyckelord

  • ensemble
  • artificial neural network
  • machine learning
  • acute coronary syndrome
  • electrocardiogram
  • case based explanation
  • decision support system

Status

Published

Handledare

ISBN/ISSN/Övrigt

  • ISBN: 978-91-628-7434-6

Försvarsdatum

18 juni 2008

Försvarstid

10:15

Försvarsplats

Lecture hall F, Department of Theoretical Physics, Sölvegatan 14A, SE-223 62 Lund, Sweden

Opponent

  • Paulo Lisboa (Professor)