Evaluation of AI for Enuresis Prediction in Healthcare Applications
(2024) BMEM01 20241Department of Biomedical Engineering
- Abstract (Swedish)
- Bedwetting, also known as enuresis, is the second most common chronic health problem among children and negatively affects their daily lives. A first-line treatment option for enuresis is alarm treatment that awakens the child upon urination. This treatment has been further developed by the company Pjama AB that, in addition to the alarm, offers a mobile application where users provides data regarding their condition and characteristic of each night throughout the treatment. By using, sorting and processing this data an iterative optimization process was conducted to find the best machine learning approach that could predict the outcomes successful and unsuccessful with emphasis on the early stages of treatment. This was done following a... (More)
- Bedwetting, also known as enuresis, is the second most common chronic health problem among children and negatively affects their daily lives. A first-line treatment option for enuresis is alarm treatment that awakens the child upon urination. This treatment has been further developed by the company Pjama AB that, in addition to the alarm, offers a mobile application where users provides data regarding their condition and characteristic of each night throughout the treatment. By using, sorting and processing this data an iterative optimization process was conducted to find the best machine learning approach that could predict the outcomes successful and unsuccessful with emphasis on the early stages of treatment. This was done following a standardized framework that followed the same work process for each iteration of optimization and creating a baseline based on the earlier research conducted in this field. The optimization was conducted using 687 patients that were split into training and testing and evaluated using the framework. The results provides insights in how AI could be utilized in the treatment progress and enhance the overall experience of using the alarm by being able to confidently predict 61 % of the successful and 41% of the unsuccessful after only 3 weeks of treatment. The resulted model also showed interesting results in finding predictors for alarm treatment, possibly enhancing the overall understanding of the treatment. (Less)
- Popular Abstract (Swedish)
- Behandla sängvätning med hjälp av maskininlärning
Sängvätning är den näst vanligaste kroniska åkomman hos barn. Larmbehandling är den enda behandlingen som visar botande effekt, men den åtta veckor långa behandlingstiden avskräcker många familjer. Kan maskininlärning användas för att tidigare förutse behandlingsutfall och öka förståelsen för larmbehandling?
Sängvätning, eller enures, påverkar många barn och deras familjer. Trots att larmbehandling är effektiv, väljs den ofta bort på grund av den långa behandlingstiden. Forskning visar nu att maskininlärning kan erbjuda en lösning genom att förutse behandlingsutfall tidigt. En tidigare studie har visat att maskininlärning har potential för tidig prediktion av sängvätning. För att... (More) - Behandla sängvätning med hjälp av maskininlärning
Sängvätning är den näst vanligaste kroniska åkomman hos barn. Larmbehandling är den enda behandlingen som visar botande effekt, men den åtta veckor långa behandlingstiden avskräcker många familjer. Kan maskininlärning användas för att tidigare förutse behandlingsutfall och öka förståelsen för larmbehandling?
Sängvätning, eller enures, påverkar många barn och deras familjer. Trots att larmbehandling är effektiv, väljs den ofta bort på grund av den långa behandlingstiden. Forskning visar nu att maskininlärning kan erbjuda en lösning genom att förutse behandlingsutfall tidigt. En tidigare studie har visat att maskininlärning har potential för tidig prediktion av sängvätning. För att djupdyka i det påståendet användes forskningen som ett underlag för att vidareutveckla och optimera modellernas prestanda. Genom en standardiserad optimeringsprocess testades olika algoritmer och dataset. Bäst resultat uppnåddes med algoritmen random forest, som redan efter tre veckor kunde identifiera 61\% av de som skulle få en framgångsrik behandling och 41\% av de som skulle få en icke framgångsrik behandling, utan större risk för felaktiga identifieringar. Modellen visade också vilka drag i datan som var viktiga och avslöjade oväntade insikter om behandlingen.
Att få en utvärdering redan efter tre veckor kan förändra både användarnas och sjukvårdens syn på behandlingen. Hormonbehandling är idag den vanligaste metoden, men den botar inte utan skjuter bara upp problemet. En relansering av larmbehandlingen med stöd av AI för tidiga prediktioner och identifiering av viktiga faktorer kan motivera användare att genomföra behandlingen.
Implementeras denna metod i sjukvården finns det indikationer på att 122 miljoner kronor kan sparas varje år, bara för åldersgruppen 5-7 år. Med de stora besparingar sjukvården behöver göra varje år i Sverige, är detta ett enkelt sätt att både spara pengar och faktiskt behandla sängvätning istället för att skjuta upp problemet.
Med mer kvantitativ och kvalitativ data samt ytterligare forskning kan detta vidareutvecklas och göra en betydande skillnad i hur man behandlar enures, den näst vanligaste kroniska åkomman hos barn. (Less)
Please use this url to cite or link to this publication:
http://lup.lub.lu.se/student-papers/record/9162244
- author
- Jönsson, Karl-Axel LU
- supervisor
- organization
- alternative title
- Utvärdering av AI för prediktion av enures för sjukvården
- course
- BMEM01 20241
- year
- 2024
- type
- H2 - Master's Degree (Two Years)
- subject
- language
- English
- additional info
- 2024-11
- id
- 9162244
- date added to LUP
- 2024-06-18 15:18:32
- date last changed
- 2024-06-18 15:18:32
@misc{9162244,
abstract = {{Bedwetting, also known as enuresis, is the second most common chronic health problem among children and negatively affects their daily lives. A first-line treatment option for enuresis is alarm treatment that awakens the child upon urination. This treatment has been further developed by the company Pjama AB that, in addition to the alarm, offers a mobile application where users provides data regarding their condition and characteristic of each night throughout the treatment. By using, sorting and processing this data an iterative optimization process was conducted to find the best machine learning approach that could predict the outcomes successful and unsuccessful with emphasis on the early stages of treatment. This was done following a standardized framework that followed the same work process for each iteration of optimization and creating a baseline based on the earlier research conducted in this field. The optimization was conducted using 687 patients that were split into training and testing and evaluated using the framework. The results provides insights in how AI could be utilized in the treatment progress and enhance the overall experience of using the alarm by being able to confidently predict 61 % of the successful and 41% of the unsuccessful after only 3 weeks of treatment. The resulted model also showed interesting results in finding predictors for alarm treatment, possibly enhancing the overall understanding of the treatment.}},
author = {{Jönsson, Karl-Axel}},
language = {{eng}},
note = {{Student Paper}},
title = {{Evaluation of AI for Enuresis Prediction in Healthcare Applications}},
year = {{2024}},
}