Odhad kompatibility dárce a příjemce pro transplantaci ledvin pomocí strojového učení
Estimating kidney transplantation donor-recipient compatibility using machine learning
Typ dokumentu
bakalářská prácebachelor thesis
Autor
Matěj Klouček
Vedoucí práce
Kouřim Tomáš
Oponent práce
Antoni Ľubomír
Studijní obor
Matematická informatikaStudijní program
Matematické inženýrstvíInstituce přidělující hodnost
katedra matematikyPráva
A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmlVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html
Metadata
Zobrazit celý záznamAbstrakt
Se zvyšující se prevalencí onemocnění spojených s ledvinami je vylepšení procesu hledání vhodných párů dárců a příjemců zásadní pro zmírnění zátěže, kterou pro zdravotnický systém představují pacienti se selhávajícími ledvinami. Předchozí studie ukázaly, jak mohou metody strojového učení být použity pro predikování času přežití po transplantaci ledvin. V této studii je pro ohodnocení kompatibility mezi dárci a příjemci použit model náhodného přežívacího lesa, který predikuje dobu přežití na základě jejich pre-transplantačních metrik. Model je také použit pro zkoumání různých faktorů ovlivňujících přežití štěpu. Součástí studie je také podrobné prozkoumání algoritmů, které stojí za modelem náhodného přežívacího lesa, a analýzy přežití, která se běžně využívá v medicínském výzkumu. With the increasing prevalence of kidney-related diseases, the improvement of the donor-recipient match-making process becomes crucial for alleviating some of the burden placed on the healthcare system by patients with failing kidneys. Several other studies have already demonstrated how machine learning methods could be used for predicting survival time after renal transplantation. In this study, the random survival forest model is used to evaluate compatibility between donors and recipients by predicting their survival time based on their pre-transplantation metrics. The model is then also used to investigate the various factors influencing graft survival. The study also includes an in-depth examination of the algorithms behind the random survival forests model, as well as survival analysis, a field of statistics commonly used in medical research.
Kolekce
- Bakalářské práce - 14101 [278]