arvutiteaduse instituudi lõputööderegister


COVID-19 ennustavate riskimudelite rakendatavuse hindamine Eesti terviseandmetel
Nimi Marc David
Kokkuvõte COVID-19 leviku tõttu alates aastast 2019 on suurenenud erinevate tervishoiusüsteemide koormus maailmas. Selleks, et haiglate piiratud ressursside kasutust optimeerida, saab kasutada erinevaid riski ennustavaid mudeleid, mis võimaldavad patsientide terviseandmete põhjal ennustada, kui raskeks võib kujuneda patsiendi haiguse kulg. Piisavalt täpset mudelit saab kasutada näiteks patsiendi vaktsiini või ravi vajaduse hindamiseks. Üks mudeli tõhusust mõjutav tegur on kasutatud treeningandmete hulk. Kuna Eesti terviseandmeid on suhteliselt vähe ning nendel uue mudeli treenimine on keeruline, siis on efektiivsem leida juba eelnevalt treenitud mudel ning seda väliselt valideerida Eesti terviseandmetel.
Käesolevas töö eesmärk on maailmas häid tulemusi näidanud mudeleid väliselt valideerida Eesti terviseandmetel ning seejärel analüüsida, kas need mudelid on piisavalt head praktiliseks kasutuseks meditsiinis. Töö tulemused näitasid, et mudelite diskrimineerimine on hea ning võrreldav teiste mudelitele tehtud väliste valideerimistega, kuid kalibreerimine on kehvem. Mudelid ennustavad Eesti andmetel madalamaid riskitõenäosusi kui reaalsuses patsientidel täheldati. Seda selgitab asjaolu, et valideerimiseks kasutatud andmeid oli võrdlemisi vähe ning need võisid selle tõttu olla kallutatud. Mudelite rakendatavust mõjutab ka see, et mudelid on treenitud ja valideeritud terviseandmetel, mis on pärit COVID-19 pandeemia algusest, mistõttu riski ennustamisel ei arvesta mudelid viiruse uute mutatsioonidega ega vaktsineeritud patsientidega. Lahendusena tuleks treenida uued mudelid, kasutades uuemaid andmeid ning parandada valideerimiseks kasutatud andmestike kvaliteeti.
Lõputöö keel eesti
Lõputöö tüüp Bakalaureus - Informaatika
Juhendaja(d) Raivo Kolde
Kaitsmise aasta 2021
PDF