haku: @keyword MLP / yhteensä: 13
viite: 7 / 13
Tekijä: | Riihimäki, Jaakko |
Työn nimi: | Bayesian Modelling of the Treatment Chain of Hip Fracture Patients |
Lonkkamurtumapotilaiden hoitoketjun bayesilainen mallintaminen | |
Julkaisutyyppi: | Diplomityö |
Julkaisuvuosi: | 2006 |
Sivut: | xi + 73 Kieli: eng |
Koulu/Laitos/Osasto: | Sähkö- ja tietoliikennetekniikan osasto |
Oppiaine: | Laskennallinen tekniikka (S-114) |
Valvoja: | Lampinen, Jouko |
Ohjaaja: | Vehtari, Aki ; Sund, Reijo |
OEVS: | Sähköinen arkistokappale on luettavissa Aalto Thesis Databasen kautta.
Ohje Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossaOppimiskeskuksen suljetussa verkossa voi lukea sellaisia digitaalisia ja digitoituja opinnäytteitä, joille ei ole saatu julkaisulupaa avoimessa verkossa. Oppimiskeskuksen yhteystiedot ja aukioloajat: https://learningcentre.aalto.fi/fi/harald-herlin-oppimiskeskus/ Opinnäytteitä voi lukea Oppimiskeskuksen asiakaskoneilla, joita löytyy kaikista kerroksista.
Kirjautuminen asiakaskoneille
Opinnäytteen avaaminen
Opinnäytteen lukeminen
Opinnäytteen tulostus
|
Sijainti: | P1 Ark S80 | Arkisto |
Avainsanat: | treatment chain hip fracture bayesian inference MLP hoitoketju lonkkamurtuma bayesilainen päättely |
Tiivistelmä (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 tietueen numero: 32022
+ lisää koriin
INSSI