diplomsko delo
Šimen Ravnik (Avtor), Lovro Šubelj (Mentor)

Povzetek

Analiza biomehanskih značilnosti ortopedskih pacientov za napovedovanje degenerativnih obolenj je raziskovalno delo na področju medicine oziroma bolj natančno ortopedije. Sagitalno ravnovesje pomeni harmonično obliko hrbtenice in pravilna sagitalna usmeritev medenice je pri zagotavljanju le-tega ključnega pomena. Sagitalno usmeritev medenice določimo na podlagi merjenja biomehanskih oziroma geometrijskih parametrov, s katerimi se nato ugotavlja nepravilnosti, ki lahko povzročijo degenerativna obolenja, kot so na primer hernia diska in spondilolisteza. Ugotavljanje nepravilnosti usmeritve medenice je običajno ročno opravilo in je posledično rezultat relativno subjektivna odločitev. S sodobnimi metodami strojnega učenja je mogoče paciente klasificirati in s tem omogočiti lažjo in bolj natančno odločitev. V delu je najprej predstavljena analiza geometrijskih parametrov, s katerimi se diagnosticira paciente z degenerativnimi obolenji ledvene hrbtenice, nato pa so parametri uporabljeni tudi v različnih napovednih modelih strojnega učenja, s katerimi izvedemo klasifikacijo tovrstnih pacientov. Ugotovili smo, da je najuspešnejši napovedni model strojnega učenja za naše podatke logistična regresija. Z njo dosežemo uspešnost diagnosticiranja hernijskih pacientov – občutljivost: 83.3% (95%CI 72.1 - 96.8%) in specifičnost: 75.0% (95%CI 64.7 - 85.2%), ki je primerljiva uspešnosti kliničnega diagnosticiranja. Uspešnost diagnosticiranja pacientov s spondilolistezo z našim napovednim modelom pa znaša – občutljivost: 96,4% (95%CI 93,6 - 99,1%) in specifičnost: 97.5% (95%CI 94,3 - 1.0%), kar izboljša občutljivost kliničnega diagnosticiranja pacientov s spondilolistezo od 8% do 36%, specifičnost pa do približno 10%.

Ključne besede

strojno učenje;podatkovno rudarjenje;računalništvo v medicini;sagitalna usmeritev medenice;računalništvo in informatika;univerzitetni študij;diplomske naloge;

Podatki

Jezik: Slovenski jezik
Leto izida:
Tipologija: 2.11 - Diplomsko delo
Organizacija: UL FRI - Fakulteta za računalništvo in informatiko
Založnik: [Š. Ravnik]
UDK: 004.8:617.3(043.2)
COBISS: 53028611 Povezava se bo odprla v novem oknu
Št. ogledov: 928
Št. prenosov: 198
Ocena: 0 (0 glasov)
Metapodatki: JSON JSON-RDF JSON-LD TURTLE N-TRIPLES XML RDFA MICRODATA DC-XML DC-RDF RDF

Ostali podatki

Sekundarni jezik: Angleški jezik
Sekundarni naslov: Sagittal pelvic orientation feature analysis for predicting degenerative diseases
Sekundarni povzetek: Sagittal pelvic orientation feature analysis for predicting degenerative diseases is a research in the field of medicine or more specifically orthopedics. Sagittal balance means a harmonious shape of the spine and proper sagittal orientation of the pelvis is crucial in ensuring this. Sagittal orientation of the pelvis is determined based on biomechanical or geometric parameters, which are then used to identify abnormalities that can cause degenerative diseases, such as disc herniation and spondylolisthesis. Determining pelvic orientation irregularities is usually a manual task and the result is a relatively subjective decision. With modern machine learning techniques, patients can be classified and thus enable an easier and more accurate decision. The paper first presents an analysis of geometric parameters used to diagnose patients with degenerative diseases of the lumbar spine, and then the parameters are also used in various predictive models, which are used to classify such patients. We found that the most successful predictive machine learning model for our data is logistic regression. It achieves the accurateness of diagnosing hernia – sensitivity: 83.3% (95%CI 72.1 - 96.8%) and specificity: 75.0% (95%CI 64.7 - 85.2%), which is comparable to the accuracy of clinical diagnosis. The accurateness of diagnosing spondylolisthesis with our model is – sensitivity: 96,4% (95% CI 93,6 - 99,1%) and specificity: 97.5% (95%CI 94.3 - 1.0%), which improves the sensitivity of the clinical diagnosis of spondylolisthesis from 8% to 36%, and the specificity to about 10%.
Sekundarne ključne besede: machine learning;data mining;computer science in medicine;sagittal pelvic orientation;computer and information science;diploma;
Vrsta dela (COBISS): Diplomsko delo/naloga
Študijski program: 1000468
Konec prepovedi (OpenAIRE): 1970-01-01
Komentar na gradivo: Univ. v Ljubljani, Fak. za računalništvo in informatiko
Strani: 56 str.
ID: 12582852