Prediktivní modelování zdravotního stavu pacientů pomocí strojového učení

Abstract

Tato práce se zabývá využitím více modelů strojového učení pro případy použití ve zdravotnictví. Zkoumá použití těchto modelů na dvou různých souborech dat obsahujících lékařská a chirurgická data a jejich použitelnost v reálném životě. Teoretická část obsahuje obecný úvod do problematiky a cíle výzkumu, přehled literatury o různých používaných technikách, existujícím výzkumu, úspěšných příkladech a etických aspektech. V praktické části byly vybrány dvě různé sady dat obsahující lékařsko-chirurgická data. Na první datovou sadu bylo aplikováno osm modelů s různými nastaveními trénování. Na druhou datovou sadu byly aplikovány tři modely se stratifikovanou K-násobnou cross-validací a analýzou křivky učení z důvodu malé velikosti datové sady. Modely byly vyhodnoceny pomocí accuracy, precision, recall, skóre F1 a matice záměny. U prvního souboru dat výsledky kolísaly u všech osmi modelů, přičemž po 20 iteracích trénování bylo u každého modelu pozorováno rychlé zlepšení. U druhé sady dat vykazovaly všechny tři modely zlepšení s větším množstvím trénovacích dat, ačkoli generalizace zůstávala problémem kvůli omezené velikosti sady dat. Výsledky podtrhují význam strojového učení ve zdravotnictví a ukazují slibné výsledky prediktivního modelování i přes omezení velikosti dat. Zdůrazněn je také potenciální dopad umělé inteligence a strojového učení na pacienty a zdravotní péči s ohledem na etické důsledky, budoucí směry výzkumu a omezení studie.