dc.contributor.advisor | Eftestøl, Trygve | |
dc.contributor.author | Stokka, Svein Erik | |
dc.date.accessioned | 2018-09-26T14:07:58Z | |
dc.date.available | 2018-09-26T14:07:58Z | |
dc.date.issued | 2018-06-15 | |
dc.identifier.uri | http://hdl.handle.net/11250/2564808 | |
dc.description | Master's thesis in Automation and signal processing | nb_NO |
dc.description.abstract | Bakgrunn: Plutselig hjertestans utenfor sykehus er en alvorlig medisinsk tilstand, hvor det i Norge er rundt 3200 tilfeller hvert år. For å overleve hjertestans er det viktig med tidlig og god hjertelungeredning(HLR). Ved å monitorere kvalitet av hjertekompresjoner vil det være mulig å gi tilbakemelding til personen som utfører kompresjonene. Denne tilbakemeldingen kan brukes til å forbedre kvaliteten av kompresjonene, og dermed øke sannsynligheten for overlevelse. Det gir også anledning til å studere data retrospektivt, slik at en kan identifisere faktorer som er betydningsfulle for overlevelse. Material og metode: Datasettet består av 394 episoder med hjertestans utenfor sykehus. Med utgangspunkt i datasettet er det utviklet metoder for å merke komprejsonsintervall som å være av gunstig eller ikke gunstig kvalitet, basert på sannsynlighet for endring til bedre tilstand, Pdes . Ettersom Pdes indikerer pasientens tilstand, vil dermed endring i Pdes gi en indikasjon på fysiologisk respons. Datasettet består av kvalitetsparametre som beskriver egenskaper for hjertekompresjoner. For å automatisk assosiere disse kvalitetsparametrene med fysiologisk respons, er det eksperimentert med 3 forskjellige maskinlæringsmetoder for klassifisering, hvor det beregnes sannsynlighet for gunstige kompresjoner, Pgc. Dermed benyttes kombinasjon av flere kvalitetsparametre til å gi tilbakemelding om kvalitet av behandling, som én verdi. Maskinlæringsmetodene som ble benyttet er: sannsynlighetsmaksimeringsmetoden(ML-metoden), logistisk regresjon(LR) og nevralt nettverk(NN). For å evaluere metodene ble klassifiseringsnøyaktighet benyttet som indikasjon på ytelse. Endelig evaluering ble utført ved å studere fordeling av Pgc mot kvalitetsparametre, og sammenligne fordelingen opp mot retningslinjer for HLR. Resultat: ML-metoden, LR og NN klassifiserte med en treffprosent på henholdsvis 58,61%, 62,96% og 63,39%. Forhold mellom Pgc og kvalitetsparametre viste at LR fordeler Pgc best i henhold til retningslinjer for HLR. Konklusjon: Det er utviklet en sannsynlighestmodell som indikerer kvalitet av hjertekompresjoner, og som er i henhold til retningslinjene for HLR. Ved å indikere kvalitet av hjertekompresjoner som sannsynlighetsverdi, er det mulig å visualisere kvalitet på en kompakt og dynamisk måte. | nb_NO |
dc.language.iso | nob | nb_NO |
dc.publisher | University of Stavanger, Norway | nb_NO |
dc.relation.ispartofseries | Masteroppgave/UIS-TN-IDE/2018; | |
dc.rights | Navngivelse 4.0 Internasjonal | * |
dc.rights | Navngivelse 4.0 Internasjonal | * |
dc.rights.uri | http://creativecommons.org/licenses/by/4.0/deed.no | * |
dc.subject | informasjonsteknologi | nb_NO |
dc.subject | automatisering | nb_NO |
dc.subject | signalbehandling | nb_NO |
dc.subject | hjertestans utenfor sykehus | nb_NO |
dc.subject | hjertelungeredning | nb_NO |
dc.subject | maskinlæring | nb_NO |
dc.title | Sannsynlighetsmodell for monitorering av kvalitet av hjertekompresjoner basert på sammenheng mellom kvalitetsparametre for hjertelungeredning og fysiologisk respons | nb_NO |
dc.type | Master thesis | nb_NO |
dc.subject.nsi | VDP::Teknologi: 500::Informasjons- og kommunikasjonsteknologi: 550 | nb_NO |