Prognostication after out-of-hospital cardiac arrest using artificial neural networks
(2019) In LUFTMS-3366-2019 FMSM01 20182Mathematical Statistics
- Abstract
- Artificial Neural Networks (ANN) are used to prognosticate the outcome of patients suffering from an out-of-hospital cardiac arrest. A prognosis is made for different periods, dependent on when data becomes available: at admission, day one, day two, and day three. Previous research has achieved an Area Under the Curve (AUC) of around 0.82 for the early prediction (admission) using the same data. The goal is to outperform this model for early prediction and to explore the possibilities and improvement gains for later prediction using the data from day one, two and three. The models produced for early prediction reached a cross-validated AUC of 0.8596 (95% CI: 0.8455 - 0.8737), beating the benchmark model. There was no significant increase... (More)
- Artificial Neural Networks (ANN) are used to prognosticate the outcome of patients suffering from an out-of-hospital cardiac arrest. A prognosis is made for different periods, dependent on when data becomes available: at admission, day one, day two, and day three. Previous research has achieved an Area Under the Curve (AUC) of around 0.82 for the early prediction (admission) using the same data. The goal is to outperform this model for early prediction and to explore the possibilities and improvement gains for later prediction using the data from day one, two and three. The models produced for early prediction reached a cross-validated AUC of 0.8596 (95% CI: 0.8455 - 0.8737), beating the benchmark model. There was no significant increase in performance by adding data from day one or day two. However, the prognostic power at day three reached an AUC of 0.8928 (95% CI: 0.8799 - 0.9057). By adding biomarker, the performance increases significantly for day two and three predictions. The effect from the biomarkers on day three prognosticating is extensive, attaining an AUC of 0.9456 (95% CI: 0.922 - 0.9692). In an effort to increase performance, an ensemble learner is created using logistic regression and random forest in addition to the best performing ANN. This did not lead to any improvement. (Less)
- Popular Abstract (Swedish)
- Att kunna göra tillförlitliga prognoser är varje läkares mål. Med hjälp av maskininlärning, framförallt neurala nätverk, har vi tagit fram modeller som presterar bättre än tidigare studier.
Årligen drabbas hundratusentals människor världen över av ett hjärtstopp utanför sjukhuset (eng. OCHA). Tyvärr är chansen att man överlever endast mellan 5 till 10 procent. Om man överlever det initiala hjärtstoppet och tar sig levande till sjukhuset kommer man att genomgå extremt påfrestande behandlingar för att minimera tänkbara konsekvenser. Då man vid ett hjärtstopp inte längre har någon blodtillförsel till hjärnan leder ofta hjärtstopp till hjärnskador, därmed är det inte heller säkert att man efteråt kommer kunna leva ett drägligt liv. Av denna... (More) - Att kunna göra tillförlitliga prognoser är varje läkares mål. Med hjälp av maskininlärning, framförallt neurala nätverk, har vi tagit fram modeller som presterar bättre än tidigare studier.
Årligen drabbas hundratusentals människor världen över av ett hjärtstopp utanför sjukhuset (eng. OCHA). Tyvärr är chansen att man överlever endast mellan 5 till 10 procent. Om man överlever det initiala hjärtstoppet och tar sig levande till sjukhuset kommer man att genomgå extremt påfrestande behandlingar för att minimera tänkbara konsekvenser. Då man vid ett hjärtstopp inte längre har någon blodtillförsel till hjärnan leder ofta hjärtstopp till hjärnskador, därmed är det inte heller säkert att man efteråt kommer kunna leva ett drägligt liv. Av denna anledning mäts oftast utfallet för en patient baserat på hur svår hjärnskadan upplevs vara. Då behandlingarna är mycket påfrestande är det viktigt att man i ett tidigt skede får en klar prognos. Dessvärre är det ofta svårt att ge prognoser de första dagarna, vilket försvårar kommunikationen med anhöriga.
Artificiella neurala nätverk är en typ av maskininlärnings algoritm som används för att hitta mönster i data och som kan användas för att ge en prognos. Lyckligtvis har det visat sig att det finns tydliga samband mellan vissa variabler och utfallet för patienter som drabbats av OCHA. Vi har därför försökt modellera utfallet genom att använda neurala nätverk för att hitta mönster i registerdata över OCHA patienter.
En tidig prognos är viktig, men det är också betydelsefullt och intressant att se hur prognosen förbättras för varje dag. Därför har vi skapat olika modeller baserat på data som finns tillgänglig efter inskrivning, efter dag ett, dag två och dag tre. För en del patienter fanns det ytterligare biomarkörer tillgängliga och det visade sig att modeller som enbart baserades på dessa patienter presterade betydligt bättre. (Less)
Please use this url to cite or link to this publication:
http://lup.lub.lu.se/student-papers/record/8975563
- author
- Björnsson, Ola LU
- supervisor
- organization
- course
- FMSM01 20182
- year
- 2019
- type
- H2 - Master's Degree (Two Years)
- subject
- keywords
- Artificial neural networks, Out-of-hospital cardiac arrest, Prognostication, Intensive care
- publication/series
- LUFTMS-3366-2019
- report number
- 2019:E22
- ISSN
- 1404-6342
- language
- English
- id
- 8975563
- date added to LUP
- 2020-10-05 14:49:05
- date last changed
- 2020-10-05 14:49:05
@misc{8975563,
abstract = {{Artificial Neural Networks (ANN) are used to prognosticate the outcome of patients suffering from an out-of-hospital cardiac arrest. A prognosis is made for different periods, dependent on when data becomes available: at admission, day one, day two, and day three. Previous research has achieved an Area Under the Curve (AUC) of around 0.82 for the early prediction (admission) using the same data. The goal is to outperform this model for early prediction and to explore the possibilities and improvement gains for later prediction using the data from day one, two and three. The models produced for early prediction reached a cross-validated AUC of 0.8596 (95% CI: 0.8455 - 0.8737), beating the benchmark model. There was no significant increase in performance by adding data from day one or day two. However, the prognostic power at day three reached an AUC of 0.8928 (95% CI: 0.8799 - 0.9057). By adding biomarker, the performance increases significantly for day two and three predictions. The effect from the biomarkers on day three prognosticating is extensive, attaining an AUC of 0.9456 (95% CI: 0.922 - 0.9692). In an effort to increase performance, an ensemble learner is created using logistic regression and random forest in addition to the best performing ANN. This did not lead to any improvement.}},
author = {{Björnsson, Ola}},
issn = {{1404-6342}},
language = {{eng}},
note = {{Student Paper}},
series = {{LUFTMS-3366-2019}},
title = {{Prognostication after out-of-hospital cardiac arrest using artificial neural networks}},
year = {{2019}},
}