La sepsis es una afección grave, y su predicción temprana sigue siendo un desafío para los médicos. Este TFG explora el potencial de la Inteligencia Artificial para anticipar la aparición de sepsis en pacientes hospitalizados. La sepsis es una respuesta inflamatoria grave del organismo a una infección, y puede conducir a shock séptico, fallo multiorgánico y muerte. La detección y el tratamiento temprano son cruciales para mejorar el pronóstico de los pacientes. Sin embargo, los métodos tradicionales de diagnóstico a menudo no son lo suficientemente sensibles o específicos para identificar la sepsis en sus primeras etapas. El objetivo principal de este trabajo es desarrollar un sistema de predicción de sepsis basado en aprendizaje automático que pueda identificar pacientes con riesgo de desarrollar sepsis entre 12 y 24 horas antes de su aparición. Se utilizarán diferentes modelos de aprendizaje automático para la clasificación de series temporales, como redes neuronales recurrentes (RNN) y ensembles como Arsenal. Los modelos se entrenarán con datos de series temporales provenientes de pacientes de UCI, que incluyen registros de signos vitales, parámetros de laboratorio y datos clínicos. Se evaluará el rendimiento de los modelos mediante métricas de clasificación como la precisión, la sensibilidad y la especificidad. Los datos utilizados en este trabajo son de código abierto y provienen de la siguiente fuente: SepsisExp. Los datos incluyen registros de signos vitales, parámetros de laboratorio y datos clínicos de pacientes de UCI. Uno de los principales desafíos en el aprendizaje automático aplicado al ámbito sanitario es la dificultad de obtener datos clínicos debido a problemas de privacidad. En este caso, se utilizarán datos de código abierto que han sido anonimizados para proteger la privacidad de los pacientes. Los resultados obtenidos son buenos, lo que indica que se ha desarrollado un sistema de predicción de sepsis preciso y eficaz que puede ayudar a los médicos a identificar y tratar a los pacientes de manera más temprana y efectiva, mejorando así su pronóstico. Específicamente, el modelo LSTM-FCN demostró ser superior en todas las métricas de evaluación, superando el estado del arte en la predicción de sepsis, con una precisión y sensibilidad destacadas.
ABSTRACT
Sepsis is a serious condition, and its early prediction remains a challenge for clinicians. This TFG explores the potential of Artificial Intelligence to anticipate the onset of sepsis in hospitalised patients. Sepsis is a severe inflammatory response of the body to infection, and can lead to septic shock, multi-organ failure and death. Early detection and treatment are crucial to improve the prognosis of patients. However, traditional diagnostic methods are often not sensitive or specific enough to identify sepsis in its early stages. The main objective of this work is to develop a machine learning-based sepsis prediction system that can identify patients at risk of developing sepsis 12-24 hours before its onset. Different machine learning models will be used for time series classification, such as recurrent neural networks (RNN) and ensembles such as Arsenal. The models will be trained on time series data from ICU patients, including vital sign records, laboratory parameters and clinical data. The performance of the models will be evaluated using classification metrics such as accuracy, sensitivity and specificity. The data used in this work is open source and comes from the following source: SepsisExp. The data includes vital sign records, laboratory parameters and clinical data from ICU patients. One of the main challenges in machine learning applied to healthcare is the difficulty of obtaining clinical data due to privacy issues. In this case, open source data that has been anonymised to protect patient privacy will be used. The results obtained are good, indicating that an accurate and efficient sepsis prediction system has been developed that can help clinicians identify and treat patients earlier and more effectively, thus improving their prognosis. Specifically, the LSTM-FCN model proved superior in all assessment metrics, surpassing the state of the art in sepsis prediction, with outstanding accuracy and sensitivity.
La sepsis es una afección grave, y su predicción temprana sigue siendo un desafío para los médicos. Este TFG explora el potencial de la Inteligencia Artificial para anticipar la aparición de sepsis en pacientes hospitalizados. La sepsis es una respuesta inflamatoria grave del organismo a una infección, y puede conducir a shock séptico, fallo multiorgánico y muerte. La detección y el tratamiento temprano son cruciales para mejorar el pronóstico de los pacientes. Sin embargo, los métodos tradicionales de diagnóstico a menudo no son lo suficientemente sensibles o específicos para identificar la sepsis en sus primeras etapas. El objetivo principal de este trabajo es desarrollar un sistema de predicción de sepsis basado en aprendizaje automático que pueda identificar pacientes con riesgo de desarrollar sepsis entre 12 y 24 horas antes de su aparición. Se utilizarán diferentes modelos de aprendizaje automático para la clasificación de series temporales, como redes neuronales recurrentes (RNN) y ensembles como Arsenal. Los modelos se entrenarán con datos de series temporales provenientes de pacientes de UCI, que incluyen registros de signos vitales, parámetros de laboratorio y datos clínicos. Se evaluará el rendimiento de los modelos mediante métricas de clasificación como la precisión, la sensibilidad y la especificidad. Los datos utilizados en este trabajo son de código abierto y provienen de la siguiente fuente: SepsisExp. Los datos incluyen registros de signos vitales, parámetros de laboratorio y datos clínicos de pacientes de UCI. Uno de los principales desafíos en el aprendizaje automático aplicado al ámbito sanitario es la dificultad de obtener datos clínicos debido a problemas de privacidad. En este caso, se utilizarán datos de código abierto que han sido anonimizados para proteger la privacidad de los pacientes. Los resultados obtenidos son buenos, lo que indica que se ha desarrollado un sistema de predicción de sepsis preciso y eficaz que puede ayudar a los médicos a identificar y tratar a los pacientes de manera más temprana y efectiva, mejorando así su pronóstico. Específicamente, el modelo LSTM-FCN demostró ser superior en todas las métricas de evaluación, superando el estado del arte en la predicción de sepsis, con una precisión y sensibilidad destacadas.
ABSTRACT
Sepsis is a serious condition, and its early prediction remains a challenge for clinicians. This TFG explores the potential of Artificial Intelligence to anticipate the onset of sepsis in hospitalised patients. Sepsis is a severe inflammatory response of the body to infection, and can lead to septic shock, multi-organ failure and death. Early detection and treatment are crucial to improve the prognosis of patients. However, traditional diagnostic methods are often not sensitive or specific enough to identify sepsis in its early stages. The main objective of this work is to develop a machine learning-based sepsis prediction system that can identify patients at risk of developing sepsis 12-24 hours before its onset. Different machine learning models will be used for time series classification, such as recurrent neural networks (RNN) and ensembles such as Arsenal. The models will be trained on time series data from ICU patients, including vital sign records, laboratory parameters and clinical data. The performance of the models will be evaluated using classification metrics such as accuracy, sensitivity and specificity. The data used in this work is open source and comes from the following source: SepsisExp. The data includes vital sign records, laboratory parameters and clinical data from ICU patients. One of the main challenges in machine learning applied to healthcare is the difficulty of obtaining clinical data due to privacy issues. In this case, open source data that has been anonymised to protect patient privacy will be used. The results obtained are good, indicating that an accurate and efficient sepsis prediction system has been developed that can help clinicians identify and treat patients earlier and more effectively, thus improving their prognosis. Specifically, the LSTM-FCN model proved superior in all assessment metrics, surpassing the state of the art in sepsis prediction, with outstanding accuracy and sensitivity. Read More
Related posts:
Predicción de la demanda de movilidad espacio-temporal del transporte público mediante transformers
Asma grave e intervenciones de ejercicio recomendadas: revisión sistemática
Spatio-temporal image analysis methods for lung cancer screening and therapy response prediction
Developing a cross-platform mobile application for health data integration and capture from multi devices using Flutter
Optimización y evaluación de Graph Neural Networks para la predicción de efectos secundarios en el conjunto de datos ogbl-ddi
Análisis comparativo de librerías de series temporales para la predicción del tráfico en diversas antenas de MásMóvil