On predicting performance in heart failure patients
Loading...
URL
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
2022-08-23
Department
Major/Subject
Systems and Operations Research
Mcode
SCI3055
Degree programme
Master’s Programme in Mathematics and Operations Research
Language
en
Pages
55+3
Series
Abstract
Heart failure is one of the leading causes of death in western elderly populations. However, treatments for it are progressing continuously. Due to the more effective treatments, the life expectancy of heart failure patients is increasing. At the same time the elderly populations are growing, and the prevalence of heart failure is larger in elderly populations. These drivers together lead to the amount of heart failure patients growing in the future. A longer life, however, is not necessarily worthwhile, if the quality of life is not preserved simultaneously. One important factor in quality of life is the independent performance of the patients. Hence, it is crucial that also research on the performance of the patients is conducted. In this work, the performance of heart failure patients is predicted with a six-month prediction interval. The data used consists of elderly Finnish home care customers. The prediction model applied is a random forest classifier, which, as a machine learning algorithm, offers more flexibility compared to the traditional statistical methods. The performance of the random forest is compared to a simple reference model. Based on the results, we can state that the random forest performs slightly better than the reference model in binary classification, when compared with the AUC measure. In a more complicated task, e.g. multi-class classification or regression task, the advantage of the random forest might increase.Sydämen vajaatoiminta on yksi johtavista kuolinsyistä länsimaisessa ikääntyneessä väestössä. Sen hoito kuitenkin kehittyy jatkuvasti, mikä johtaa pidempiin elinajanodotuksiin diagnoosin saaneilla. Ikääntyneiden määrä on myös kasvussa, ja sydämen vajaatoiminnan esiintyvyys on suurempi vanhemmissa ikäryhmissä. Edellä mainitut tekijät yhdessä johtavat siihen, että sydämen vajaatoimintapotilaiden määrä tulee kasvamaan tulevaisuudessa. Pidempi elämä ei kuitenkaan välttämättä ole arvokasta, mikäli potilaan elämänlaatua ei pystytä säilyttämään samanaikaisesti. Potilaan itsenäinen toimintakyky vaikuttaa suuresti elämänlaatuun. Siksi sydämen vajaatoimintapotilaiden toimintakyvyn tutkiminen on ensiarvoisen tärkeää. Tässä työssä pyritään ennustamaan sydämen vajaatoimintapotilaiden toimintakykyä kuuden kuukauden aikajänteellä. Aineisto koostuu ikääntyneistä suomalaisista kotihoidon asiakkaista. Ennustusmenetelmänä käytetään satunnaismetsää, joka tarjoaa koneoppimismenetelmänä enemmän joustavuutta verrattuna perinteisiin tilastollisiin menetelmiin. Satunnaismetsän ennustuskykyä verrataan yksinkertaiseen verrokkimalliin. Tuloksien perusteella voidaan todeta, että AUC-luvulla mitattuna satunnaismetsä tarjoaa hieman etua verrattuna yksinkertaiseen vertailumalliin, kun ennustustehtävä on binaarinen luokittelu. Vaikeammassa ennustustehtävässä, esimerkiksi regressio- tai moniluokkaisessa ennustuksessa, ero satunnaismetsän hyväksi saattaisi muodostua suuremmaksikin.Description
Supervisor
Ilmonen, PauliinaThesis advisor
Nuutinen, MikkoKeywords
machine learning, prediction, random forest, heart failure, performance, elderly