Umělá inteligence pro predikování sepsí z klinických signálů
Loading...
Date
Authors
ORCID
Advisor
Referee
Mark
C
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstract
Tato bakalářská práce řeší otázku predikování sepsí z klinických signálů pomocí metod umělé inteligence. V teoretické části je vypracována literární rešerše na zakladní principy a fungování různých metod umělé inteligence. Větší důraz byl kladen na rekurentní neuronové sítě. Cílem praktické části byla implementace vhodné metody ve zvoleném programovacím prostředí. Jako vhodná metoda byla vybrána LSTM síť a časová konvoluční síť TCN. Nejlepších výsledků normalizované hodnoty utility score dosáhla TCN, a to 0,377 a sedmi vrstvá LSTM 0,356.
This bachelor thesis deals with the issue of predicting sepsis from clinical data using artificial intelligence methods. In the theoretical part, a literature research is made on the basic principles and functioning of various methods of artificial intelligence. Greater emphasis was placed on recurrent neural networks. The aim of the practical part was to implement a suitable method in the chosen programming environment. The LSTM network and the temporal convolutional network TCN were chosen as suitable methods. The best results of the normalized value of the utility score were achieved by TCN, namely 0.377 and seven-layer LSTM 0.356.
This bachelor thesis deals with the issue of predicting sepsis from clinical data using artificial intelligence methods. In the theoretical part, a literature research is made on the basic principles and functioning of various methods of artificial intelligence. Greater emphasis was placed on recurrent neural networks. The aim of the practical part was to implement a suitable method in the chosen programming environment. The LSTM network and the temporal convolutional network TCN were chosen as suitable methods. The best results of the normalized value of the utility score were achieved by TCN, namely 0.377 and seven-layer LSTM 0.356.
Description
Citation
ŠIDLO, D. Umělá inteligence pro predikování sepsí z klinických signálů [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2021.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
bez specializace
Comittee
doc. Ing. Martin Černý, Ph.D. (předseda)
doc. Ing. Radim Kolář, Ph.D. (místopředseda)
Ing. Radovan Smíšek (člen)
Ing. Helena Škutková, Ph.D. (člen)
MUDr. Zuzana Nováková, Ph.D. (člen)
Date of acceptance
2021-06-16
Defence
Student prezentoval výsledky své práce a komise byla seznámena s posudky.
Doc. Ing. Černý, Ph.D. položil otázku: Proč v teoretické části práce uvádíte metody, které dále nepoužíváte?
Ing. Smíšek položil otázku: Jaké byly dvě metody nahrazení chybějících hodnot?
Student obhájil bakalářskou práci s výhradami a odpověděl na otázky členů komise a oponenta.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení