Improving diagnosis of acute coronary syndromes in an emergency setting: A machine learning approach
Författare
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.
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
Fulltext
Dokumenttyp
Doktorsavhandling
Ämne
- Biophysics
Nyckelord
- ensemble
- artificial neural network
- machine learning
- acute coronary syndrome
- electrocardiogram
- case based explanation
- decision support system
Status
Published
Handledare
- Mattias Ohlsson
- Lars Edenbrandt
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)