A gaussian process clustering based approach to mortality prediction in icus

Autor: Caixeta, Rommell Guimarães
Přispěvatelé: Bulcão Neto, Renato de Freitas, Soares, Anderson da Silva, Laureano, Gustavo Teodoro, Oliveira, Marco Antônio Assfalk de
Jazyk: portugalština
Rok vydání: 2016
Předmět:
Zdroj: Biblioteca Digital de Teses e Dissertações da UFG
Universidade Federal de Goiás (UFG)
instacron:UFG
Popis: A análise das variáveis fisiológicas de um paciente pode melhorar a classificação do risco de óbito de um paciente em uma Unidade de Terapia Intensiva(UTI) e auxiliar na tomada de decisões e alocação de recursos disponíveis. Este trabalho propõe uma abordagem computacional de análise de variáveis fisiológicas para previsão de óbito de pacientes em UTI. Variáveis fisiológicas que compõem séries temporais(e.g., pressão arterial) são representadas como Processos Gaussianos Dependentes(PGDs). Variáveis que não representam séries temporais(e.g., idade) são utilizadas para agrupar os PGDs com Árvores de Decisão. A classificação é feita de acordo com uma medida de distância que combina Deformação Temporal Dinâmica e divergência Kullback-Leibler. O resultado desta abordagem quanto ao desempenho de classificação é superior ao método padronizado SAPS-I já utilizado em UTI no conjunto de dados considerado para testes. O resultado é similar à outros métodos computacionais publicados pela comunidade de pesquisa. Os resultados comparando variações da abordagem proposta também mostram que há vantagem em utilizar o agrupamento de PGDs descrito. The analysis of physiological variables of a patient can improve the death risk classification in Intensive Care Units(ICU) and help decision making and resource management. This work proposes a computational approach to death prediction through physiological variables analysis in ICU. Physiological variables that compounds time-series(e.g., blood pressure) are represented as Dependent Gaussian Processes(DGP). Variables that do not represent time-series (e.g., age) are used to cluster DGPs with Decision Trees. Classification is made according to a distance measure that combines Dynamic Time Warping and Kullback-Leibler divergence. The results of this approach are superior to other method already used, SAPS-I, on the considered test dataset.The results are similar to other computational methods published by the research community. The results comparing variations of the proposed method show that there is advatage in using the proposed clustering of DGPs.
Databáze: OpenAIRE
Externí odkaz: