Meny

Javascript verkar inte påslaget? - Vissa delar av Lunds universitets webbplats fungerar inte optimalt utan javascript, kontrollera din webbläsares inställningar.
Du är här

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

Författare:
  • Michael Green
Publiceringsår: 2008
Språk: Engelska
Sidor:
Dokumenttyp: Doktorsavhandling

Sammanfattning

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.
Acute coronary syndrome (ACS) is the biggest people killer in the western world today. Despite well trained physicians and reliable diagnostic tools, diagnosing ACS early in the emergency departments (ED) remains a challenge. In this thesis we used machine learning, via logistic regression models and artificial neural network ensembles, to investigate the possibility of predicting ACS at an early stage using electrocardiogram data. Thorough comparisons were made to several expert physicians, currently working in the ED, to verify the models. In the context of neural networks we developed methods for the case based explanation of their decisions.

Disputation

2008-06-18
10:15
Lecture hall F, Department of Theoretical Physics, Sölvegatan 14A, SE-223 62 Lund, Sweden
  • Paulo Lisboa (Professor)

Nyckelord

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

Övriga

Published
  • Mattias Ohlsson
  • Lars Edenbrandt
  • ISBN: 978-91-628-7434-6

Box 117, 221 00 LUND
Telefon 046-222 00 00 (växel)
Telefax 046-222 47 20
lu [at] lu [dot] se

Fakturaadress: Box 188, 221 00 LUND
Organisationsnummer: 202100-3211
Om webbplatsen