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 CentreIn 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
Opening a thesis
Reading the thesis
Printing the thesis
|
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