Ανάπτυξη Μοντέλων Τεχνητής Νοημοσύνης για την Πρόβλεψη της Μετεγχειρητικής Πορείας Ασθενών με Κάταγμα Ισχύου

Abstract

Τα κατάγματα ισχίου αποτελούν ένα πολύ συχνό φαινόμενο, κυρίως στον ηλικιωμένο πληθυσμό. Πολλοί ασθενείς τραυματίζονται και υποβάλλονται σε χει- ρουργείο προκειμένου να αποκατασταθούν. Η περίθαλψη και ο τρόπος αντιμε- τώπισης κάθε ασθενούς είναι αρκετά κοστοβόρα και ο κίνδυνος θνησιμότητας είναι υψηλός. Για τον λόγο αυτό, υπάρχει έντονη ανάγκη να εντοπιστούν οι παράγοντες που αυξάνουν τον κίνδυνο θνησιμότητας, ώστε ο κλινικός να μπορεί να εκτιμήσει την κατάλληλη πορεία περίθαλψης. Συλλέχθηκαν 400 περιστατικά από ασθενείς που είχαν εισαχθεί στην Πα- νεπιστημιακή Κλινική του νοσοκομείου ΚΑΤ που περιείχαν δημογραφικές πληρο- φορίες, ασθένειες και άλλες πληροφορίες που περιγράφουν την κατάσταση των α- σθενών. Τα δεδομένα αυτά πέρασαν από διαδικασίες επιλογής χαρακτηριστικών με διάφορες μεθόδους, ώστε να βρεθούν τα υποσύνολα του αρχικού συνόλου δεδομένων και στη συνέχεια τροφοδοτήθηκαν σε διάφορα μοντέλα μηχανικής μάθησης. Οι μέθοδοι επιλογής χαρακτηριστικών που χρησιμοποιήθηκαν ήταν: συ- σχέτιση, δέντρα αποφάσεων, forward feature selection, fisher scores, κέρδος πλη- ροφορίας, LASSO regularization L1, random forest, recursive feature elimination, sequential feature selection και variance inflation factor. Τα μοντέλα που χρησι- μοποιήθηκαν ήταν: artificial neural network, ένα νευρωνικό δίκτυο με έναν απλό αλγόριθμο back-propagation, δέντρα απόφασης, gradient boosting, knn, γραμμική παλινδρόμηση, naive bayes, PCA, penalized logistic regression, random forest, stochastic gradient descent, support vector machine και ο αλγόριθμος XGBoost. Το μοντέλο που πέτυχε τη μεγαλύτερη ακρίβεια (92.5%) ήταν το back prop- agation σε συνδυασμό με τη μέθοδο επιλογής χαρακτηριστικών FFS, η οποία είχε επιλέξει ως παράγοντες υψηλού ρίσκου: φύλο, garden, AO fracture classification, evans fracture classification, είδος αναισθησίας, είδος χειρουργείου, atrial fibrilla- tion, chronic kidney disease, διαβήτης, frailty score, post-operative physical ability, periprosthetic infection, pneumonia, deep vein thrombosis, επανεισαγωγή, είδος κατάγματος και infection risk score.