Μηχανική μάθηση για κατασκευή μοντέλου που θα προβλέπει πρώιμα επερχόμενη σήψη σε νευροχειρουργικούς ασθενείς

  • MSc
  • Database management, Java/Python programming
  • Machine learning toolkit
  • George Giannakopoulos
  • ggianna [at] iit.demokritos.gr
  • The AI Lab

Η παρούσα έρευνα γίνεται με τη συνεπίβλεψη και συμμετοχή της νευροχειρουργικής κλινικής του Πανεπιστημιακού Γενικού Νοσοκομείου Ηρακλείου (ΠΑΓΝΗ).
Η σήψη αποτελεί σημαντική αιτία θανάτου ασθενών με παθολογία, τραυματική ή μη, του νευρικού συστήματος. Η πρώιμη διάγνωσή της θα βοηθήσει στην αποτελεσματικότερη διαχείριση και αντιμετώπιση αυτών των ασθενών με σκοπό τη βελτίωση της πρόγνωσής τους.
Στην παρούσα μελέτη θα επιχειρηθεί να διερευνηθεί η κατασκευή ενός μοντέλου πρώιμης διάγνωσης της σήψης στους παραπάνω ασθενείς. Μεταξύ άλλων, οι παράμετροι που θα συμπεριληφθούν για κάθε ασθενή θα είναι η ηλικία και άλλα επιδημιολογικά χαρακτηριστικά, οι συγκεντρώσεις στο αίμα βιοχημικών και ανοσολογικών δεικτών και κυττάρων, οι χρόνοι πήξης, οι βαθμολογίες σε κλίμακες κλινικής εκτίμησης, οι τιμές ζωτικών σημείων και η ύπαρξη άλλων συννοσηροτήτων.
Το πρόβλημα, το οποίο επιχειρείται να λυθεί είναι επίκαιρο, με σημαντικές συνέπειες και έχει ευρεία κοινωνική και οικονομική επίδραση. Ακόμη και μια μικρή μείωση της νοσηρότητας και της θνητότητας θα έχει τεράστιες επιπτώσεις στη Δημόσια Υγεία, ειδικότερα στην Ελλάδα όπου η επίπτωση λοιμώξεων από πολυανθεκτικά μικρόβια είναι σημαντική.

Ενδεικτική σχετική βιβλιογραφία
-Roimi M, Neuberger A, Shrot A, Paul M, Geffen Y, Bar-Lavie Y. Early diagnosis of bloodstream infections in the intensive care unit using machine-learning algorithms. Intensive Care Med. 2020 Mar;46(3):454-462. doi: 10.1007/s00134-019-05876-8. Epub 2020 Jan 7. PMID: 31912208.
-Giacobbe DR, Signori A, Del Puente F, et al. Early Detection of Sepsis With Machine Learning Techniques: A Brief Clinical Perspective. Front Med (Lausanne). 2021;8:617486. Published 2021 Feb 12. doi:10.3389/fmed.2021.617486
-Goh KH, Wang L, Yeow AYK, Poh H, Li K, Yeow JJL, Tan GYH. Artificial intelligence in sepsis early prediction and diagnosis using unstructured data in healthcare. Nat Commun. 2021 Jan 29;12(1):711. doi: 10.1038/s41467-021-20910-4. PMID: 33514699; PMCID: PMC7846756.

Skip to content