search query: @keyword treatment chain / total: 2
reference: 2 / 2
« previous | next »
Author:Riihimäki, Jaakko
Title:Bayesian Modelling of the Treatment Chain of Hip Fracture Patients
Lonkkamurtumapotilaiden hoitoketjun bayesilainen mallintaminen
Publication type:Master's thesis
Publication year:2006
Pages:xi + 73      Language:   eng
Department/School:Sähkö- ja tietoliikennetekniikan osasto
Main subject:Laskennallinen tekniikka   (S-114)
Supervisor:Lampinen, Jouko
Instructor:Vehtari, Aki ; Sund, Reijo
OEVS:
Electronic archive copy is available via Aalto Thesis Database.
Instructions

Reading digital theses in the closed network of the Aalto University Harald Herlin Learning Centre

In the closed network of Learning Centre you can read digital and digitized theses not available in the open network.

The Learning Centre contact details and opening hours: https://learningcentre.aalto.fi/en/harald-herlin-learning-centre/

You can read theses on the Learning Centre customer computers, which are available on all floors.

Logging on to the customer computers

  • Aalto University staff members log on to the customer computer using the Aalto username and password.
  • Other customers log on using a shared username and password.

Opening a thesis

  • On the desktop of the customer computers, you will find an icon titled:

    Aalto Thesis Database

  • Click on the icon to search for and open the thesis you are looking for from Aaltodoc database. You can find the thesis file by clicking the link on the OEV or OEVS field.

Reading the thesis

  • You can either print the thesis or read it on the customer computer screen.
  • You cannot save the thesis file on a flash drive or email it.
  • You cannot copy text or images from the file.
  • You cannot edit the file.

Printing the thesis

  • You can print the thesis for your personal study or research use.
  • Aalto University students and staff members may print black-and-white prints on the PrintingPoint devices when using the computer with personal Aalto username and password. Color printing is possible using the printer u90203-psc3, which is located near the customer service. Color printing is subject to a charge to Aalto University students and staff members.
  • Other customers can use the printer u90203-psc3. All printing is subject to a charge to non-University members.
Location:P1 Ark S80     | Archive
Keywords:treatment chain
hip fracture
bayesian inference
MLP
hoitoketju
lonkkamurtuma
bayesilainen päättely
Abstract (fin): Tässä diplomityössä tutkitaan lonkkamurtumapotilaiden hoitoketjun bayesilaista mallinnusta eri lähestymistavoin.
Terveydenhuollossa on usein tarpeellista arvioida potilaiden hoitojen kestoja kustannusvaikuttavuuden vuoksi.
Kompleksisten todennäköisyysmallien ja modernien laskennallisten menetelmien avulla on mahdollista saada lisäinformaatiota hallinnon avuksi rajallisten resurssien uudelleenallokoinnissa.

Työssä on tutkittu kahta parametrista sekä yhtä ei-parametrista tilastollista mallia.
Parametriset lähestymistavat ovat Coxin vaihemalli sekä Weibulljakaumien sekamalli, joista edellä mainittu hyödyntää peräkkäisiä latentteja vaiheita potilaiden tiloissa viettämien aikojen mallinnuksessa ja jälkimmäinen perustuu painotettujen jakaumien summaan.
Näiden mallien parametrit on eksplisiittisesti asetettu riippumaan selittävistä tekijöistä lineaarisesti.
Kolmas tutkittu malli on ei-parametrinen monikerros-perceptron neuroverkkomalli, jossa etukäteisoletukset asetetaan epäsuorasti verkon ja verkon painojen kautta äärettömään funktioavaruuteen.
Ei-parametrinen lähestymistapa mahdollistaa joustavan tavan estimoida funktioita kiinnittämättä edeltäkäsin niille jotain tiettyä muotoa.
Mallin avulla epälineaarisuuksia ja muuttujien interaktioita voidaan oppia aineistosta automaattisesti, minkä lisäksi malli mahdollistaa myös erilaisten hierarkkisten rakenteiden ilmaisun implisiittisesti.
Kompleksinen neuroverkkomalli on asetettu suosimaan sileitä ratkaisuja.

Malleja on tässä työssä sovellettu lonkkamurtumapotilaiden hoitoketjun eri tilojen kuvaamiseen.
Metodologisen kehyksen mallinnuksessa muodostavat bayesilainen päättely yhdessä stokastisten Markovin ketju Monte Carlo menetelmien kanssa.
Työn tavoitteena on mallintaa potilaiden kuntoutusaikoja sekä uusintakäyntien osuuksia ja ajankohtia sairaalaan.
Tämän lisäksi yksilötason selittävien tekijöiden ja sairaanhoitoalueiden vaikutukset ennusteisiin ovat tutkimuksen kohteena.
ED:2006-06-15
INSSI record number: 32022
+ add basket
« previous | next »
INSSI