Ανάπτυξη ερμηνεύσιμου μοντέλου εκτίμησης του κινδύνου νοσηλείας και επανανοσηλείας σε άτομα με Σακχαρώδη Διαβήτη Τύπου 1

Abstract

Αντικείμενο της παρούσας διπλωματικής εργασίας αποτελεί η σχεδίαση, η ανάπτυξη και η αξιολόγηση ενός ερμηνεύσιμου μοντέλου εκτίμησης του κινδύνου νοσηλείας και επανανοσηλείας λόγω διαβητικής κετοξέωσης σε άτομα με Σακχαρώδη Διαβήτη Τύπου 1 (ΣΔΤ1).

Ο ΣΔ αποτελεί αυτοάνοσο νόσημα που χαρακτηρίζεται από αυξημένα επίπεδα γλυκόζης στην κυκλοφορία του αίματος. Ο ΣΔΤ1 διαγιγνώσκεται συχνότερα κατά την παιδική και την εφηβική ηλικία. Η αποτελεσματική διαχείριση της ασθένειας βασίζεται στην επίτευξη ορθού γλυκαιμικού ελέγχου. Τα άτομα με ΣΔΤ1 αντιμετωπίζουν τον κίνδυνο της διαβητικής κετοξέωσης και κατ' επέκταση της έκτακτης νοσηλείας σε νοσοκομείο με κίνδυνο της ζωής τους. Η περιορισμένη χρήση μοντέλων μηχανικής μάθησης για την πρόβλεψη νοσηλείας στα άτομα με ΣΔΤ1 και η ακόμη σπανιότερη δυνατότητα ερμηνείας τους, οδήγησε στην ανάπτυξη της παρούσας διπλωματικής.

Η ανάπτυξη του ερμηνεύσιμου μοντέλου βασίστηκε στη χρήση των Αναδρομικών Νευρωνικών Δικτύων Μακράς-Βραχείας Μνήμης (Long short-term memory - LSTM), τα οποία επιλέχθηκαν λόγω της ικανότητάς τους να διαχειρίζονται αποτελεσματικά σειριακά δεδομένα. Το μοντέλο έλαβε ως είσοδο δημογραφικά, σωματομετρικά και κλινικά δεδομένα, καθώς και δεδομένα θεραπείας, και εξήγαγε την πιθανότητα νοσηλείας και επανανοσηλείας σε βάθος ενός έτους. Για την αποτελεσματική διαχείριση της μη ισορροπημένης φύσης του συνόλου δεδομένων, υιοθετήθηκε προσέγγιση συλλογικής μάθησης με στόχο την εκπαίδευση πολλαπλών αρχικών LSTM μοντέλων, χρησιμοποιώντας ισορροπημένα υποσύνολα του αρχικού συνόλου δεδομένων, τα οποία εξήγαγαν την τελική πρόβλεψη μέσω του συνδυασμού των επιμέρους προβλέψεών τους. Στη συνέχεια οι αποφάσεις του συνδυαστικού μοντέλου ερμηνεύτηκαν μέσω της μεθόδου ερμηνευσιμότητας LIME. Πρόκειται για μία μέθοδο που χρησιμοποιεί τοπικά υποκατάστατα μοντέλα που είναι ερμηνεύσιμα και αξιοποιούνται για να εξηγήσουν μεμονωμένες προβλέψεις συνθετότερων μοντέλων μηχανικής μάθησης. Τα υποκατάστατα μοντέλα εκπαιδεύονται ώστε να μιμηθούν τη συμπεριφορά του σύνθετου-γενικού μοντέλου στην τοπική περιοχή του δείγματος ενδιαφέροντος.

Για την ανάπτυξη και την αξιολόγηση του μοντέλου χρησιμοποιήθηκαν δεδομένα 127 ατόμων με ΣΔΤ1 από τη βάση δεδομένων "SWEET", που παραχωρήθηκε από το Νοσοκομείο Παίδων "Η Αγία Σοφία". Το μοντέλο αξιολογήθηκε ως προς τη διακριτική του ικανότητα, καθώς και ως προς την ικανότητά του να παράγει ακριβείς και ερμηνεύσιμες εκτιμήσεις του κινδύνου νοσηλείας και επανανοσηλεία