MARC details
| 000 -LEADER |
|---|
| fixed length control field |
08075nam a2200445 i 4500 |
| 001 - CONTROL NUMBER |
|---|
| control field |
200450083 |
| 003 - CONTROL NUMBER IDENTIFIER |
|---|
| control field |
TR-AnTOB |
| 005 - DATE AND TIME OF LATEST TRANSACTION |
|---|
| control field |
20250701133703.0 |
| 007 - PHYSICAL DESCRIPTION FIXED FIELD--GENERAL INFORMATION |
|---|
| fixed length control field |
ta |
| 008 - FIXED-LENGTH DATA ELEMENTS--GENERAL INFORMATION |
|---|
| fixed length control field |
171111s2022 xxu e mmmm 00| 0 eng d |
| 035 ## - SYSTEM CONTROL NUMBER |
|---|
| System control number |
(TR-AnTOB)200450083 |
| 040 ## - CATALOGING SOURCE |
|---|
| Original cataloging agency |
TR-AnTOB |
| Language of cataloging |
eng |
| Description conventions |
rda |
| Transcribing agency |
TR-AnTOB |
| 041 0# - LANGUAGE CODE |
|---|
| Language code of text/sound track or separate title |
Türkçe |
| 099 ## - LOCAL FREE-TEXT CALL NUMBER (OCLC) |
|---|
| Classification number |
TEZ TOBB FBE BİL Ph.D’22 BAR |
| 100 1# - MAIN ENTRY--PERSONAL NAME |
|---|
| Personal name |
Bardak, Batuhan |
| Relator term |
author |
| 9 (RLIN) |
138543 |
| 245 10 - TITLE STATEMENT |
|---|
| Title |
Yoğun bakım hastalarının mortalite ve hastanede kalma sürelerinin derin öğrenme yöntemleri ile tahmini / |
| Statement of responsibility, etc. |
Batuhan Bardak; thesis advisor Mehmet Tan. |
| 246 ## - VARYING FORM OF TITLE |
|---|
| Title proper/short title |
Predıctıon of mortalıty and length of stay of ıcu patıents wıth deep learnıng |
| 264 #1 - PRODUCTION, PUBLICATION, DISTRIBUTION, MANUFACTURE, AND COPYRIGHT NOTICE |
|---|
| Place of production, publication, distribution, manufacture |
Ankara : |
| Name of producer, publisher, distributor, manufacturer |
TOBB ETÜ Fen Bilimleri Enstitüsü, |
| Date of production, publication, distribution, manufacture, or copyright notice |
2022 |
| 300 ## - PHYSICAL DESCRIPTION |
|---|
| Extent |
xv, 111 pages : |
| Other physical details |
illustrations ; |
| Dimensions |
29 cm |
| 336 ## - CONTENT TYPE |
|---|
| Content type term |
text |
| Content type code |
txt |
| Source |
rdacontent |
| 337 ## - MEDIA TYPE |
|---|
| Media type term |
unmediated |
| Media type code |
n |
| Source |
rdamedia |
| 338 ## - CARRIER TYPE |
|---|
| Carrier type term |
volume |
| Carrier type code |
nc |
| Source |
rdacarrier |
| 502 ## - DISSERTATION NOTE |
|---|
| Dissertation note |
Tez (Doktora Tezi)--TOBB ETÜ Fen Bilimleri Enstitüsü Temmuz 2022 |
| 520 ## - SUMMARY, ETC. |
|---|
| Summary, etc. |
Günümüzde dijital dönüşüm hızının artması ile beraber fiziksel olarak saklanan verilerin elektronik ortamlara aktarılması da hız kazanmıştır. Bu durum, birçok alana olduğu gibi sağlık alanına da doğrudan yansımıştır. Geçmişte fiziksel olarak saklanan hastaya ait kayıtlar bu sayede dijital ortamlara geçirilmiştir. Dijital ortama aktarılan hastaya ait demografik bilgiler, laboratuvar sonuçları, yaşamsal gözlem verileri, klinik notlar, tanı kodları ve benzeri birçok veri Elektronik Sağlık Kaydı (ESK) olarak tanımlanmaktadır. Sağlık alanındaki dijital dönüşüme ek olarak, derin öğrenme yöntemlerine olan geniş ilgi, araştırmacıları, finans, sosyal medya, siber güvenlik gibi birçok alanda yapay zeka yöntemlerini kullanmaya teşvik etmektedir. Elektronik sağlık kayıtlarının araştırmacılar için kullanılabilir hale gelmesiyle birlikte, bu veri setlerini kullanarak derin öğrenme modelleri geliştirmeye olan ilgi artmaktadır. Tez kapsamında yapılan deneylerde, günümüzdeki en popüler ve erişilebilir elektronik sağlık kayıt veri seti olan Medical Information Mart for Intensive Care (MIMIC-III) kullanılmıştır. Yoğun bakımda yatan hastaların, yaşamsal gözlem verilerini ve diğer klinik bilgilerini ölçerek, hastaların mevcut sağlık durumlarını anlamlandırmak ve gelecek sağlık durumlarını tahmin etmek önemli bir problemdir. Tez kapsamında, hastaların hastane içinde ve yoğun bakımda mortalite ihtimalleri ile yoğun bakımda 3 ve 7 günden fazla kalıp kalmayacakları çok-kipli derin öğrenme tabanlı yöntemler ile tahmin edilmiştir. Gerçekleştirilen çalışma üç ana bölüme ayrılmıştır. İlk bölümde, yoğun bakımda yatan hastalara ait yaşamsal gözlem verileri, laboratuvar sonuçları gibi özniteliklere ek olarak hastalara ait klinik notlar da model eğitimine dahil edilmiş ve modelin klinik problemleri tahmin etme başarısı arttırılmaya çalışılmıştır. İkinci bölümde, klinik notların doğrudan kullanılması yerine, varlık isim tanıma yöntemi ile notlar içerisinden medikal terimlerin çıkartılması sağlanmıştır. Elde edilen medikal terimlerin, mortalite ve yoğun bakımda kalma süresi tahmini problemlerine etkisi araştırılmıştır. Yapılan son çalışmada ise, hastaların zaman serisi özniteliklerine ilave olarak, hastaların yoğun bakımda kaldıkları süre boyunca kullandıkları ilaçların moleküler temsilleri kullanılmış ve klinik problemlerin tahminine etkisi üzerine deneyler yapılmıştır. Ek olarak, bu çalışma sonunda, hastanede mortalite tahmini için eğitilen modelin açıklanabilirliğini arttırmak amacıyla SHapley Additive exPlanations (SHAP) yöntemi kullanılmıştır. SHAP yönteminin çıktısı, zaman-serisi ve klinik ilaç özniteliklerinin model üzerindeki etkisininin daha derin bir analizinin yapılmasını sağlamaktadır. MIMIC-III veri seti içerisinde hastaya ait farklı veri türlerinin bir arada bulunması, tez kapsamında yapılan deneylerde bu veri türlerinin bir arada kullanılabilmesine ve farklı deneylerin gerçekleştirilebilmesine olanak sağlamıştır. Farklı veri türlerini aynı model içerisinde kullanabilmek için çok-kipli derin öğrenme tabanlı yöntemler önerilmiştir. Yapılan deney sonuçları incelendiğinde, zaman-serisi özniteliklerin yanı sıra hastaya ait klinik notların, medikal terimlerin ve ilaç bilgilerinin modele girdi olarak verilmesinin, klinik problemlerin başarımına olumlu yönde etki ettiği görülmüştür. |
|
|---|
| Summary, etc. |
The increase in the speed of digital transformation has accelerated the transfer of physically stored data to electronic media data. Healthcare is one of many areas that is impacted by these transformation. Electronic health records (EHR) is the general term for the data that is associated with a patient's whole health journey including demographic information, laboratory test results, vital signs, clinical notes, diagnosis codes, and related data. In addition to the digital transformation in healthcare, the widespread interest in machine/deep learning encourages the researchers to apply artificial intelligence to several different domains such as finance, social media, and cyber security. With the EHR data becoming available for researchers, there has been an increasing interest in using it with deep learning algorithms. Within the scope of this study, we use the most popular and publicly available EHR dataset, Medical Information Mart for Intensive Care (MIMIC-III). Understanding the health condition of the patient by observing the clinical measurements, and laboratory tests, and predicting the condition of patients during their intensive care unit (ICU) stay is a vital problem. In this study, two different common risk prediction tasks, mortality (in-hospital \& in-ICU), and length of ICU stay (LOS $>$ 3, LOS $>7$) are researched. The interest of this work is divided into three parts. In the first part, we use the clinical notes besides the time-series features such as vital signs and laboratory test results to improve the model predictions. In the second part, instead of using clinical notes directly, we extract medical entities from clinical notes by clinical named entity recognition (NER) model and use them as additional features besides time-series features to improve proposed model predictions. In the last study, we argue the integration of structured time-series data and molecular representations of the drugs which are prescribed to patients in ICU. Several experiments are conducted to investigate the effect of clinical drugs on mortality and LOS problem predictions. Additionally, the SHapley Additive exPlanations (SHAP) is applied to increase the interpretability of the in-hospital mortality model and to investigate the relationship between the mortality and the time-series and clinical drug features. The output of the SHAP method allows us to make a deeper analysis of the effect of time-series and clinical drug features. Since MIMIC-III contains rich information with multiple modalities of data, we apply a multimodal learning approach to handle the heterogeneous nature of the data. The experimental results indicate a promising increase in performance on clinical tasks when the clinical notes, medical entities or clinical drug informations are used with time series features in a multimodal approach. |
| 653 ## - INDEX TERM--UNCONTROLLED |
|---|
| Uncontrolled term |
Elektronik sağlık kaydı |
|
|---|
| Uncontrolled term |
Derin öğrenme |
|
|---|
| Uncontrolled term |
Çok-kipli modeller |
|
|---|
| Uncontrolled term |
Doğal dil işleme |
|
|---|
| Uncontrolled term |
Açıklanabilir yapay zeka |
|
|---|
| Uncontrolled term |
Electronic health record |
|
|---|
| Uncontrolled term |
Deep learning |
|
|---|
| Uncontrolled term |
Multimodal learning |
|
|---|
| Uncontrolled term |
Natural language processing |
|
|---|
| Uncontrolled term |
Explainable artificial intelligence |
| 700 1# - ADDED ENTRY--PERSONAL NAME |
|---|
| Personal name |
Tan, Mehmet |
| Relator term |
advisor |
| 9 (RLIN) |
78808 |
| 710 ## - ADDED ENTRY--CORPORATE NAME |
|---|
| Corporate name or jurisdiction name as entry element |
TOBB Ekonomi ve Teknoloji Üniversitesi. |
| Subordinate unit |
Fen Bilimleri Enstitüsü |
| 9 (RLIN) |
77078 |
| 942 ## - ADDED ENTRY ELEMENTS (KOHA) |
|---|
| Koha item type |
Thesis |
| Source of classification or shelving scheme |
Other/Generic Classification Scheme |
