008240612s2023      us  |||||||||||||||c||eng  d
■001000016932970
■00520240214101146
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798380154550
■035    ▼a(MiAaPQ)AAI30522588
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aWang,  Yuqing.
■24510▼aAI  and  Big  Data  in  Health:  Boosting  Reliability  and  Efficiency  in  Predictive  Healthcare  Models▼h[electronic  resource]
■260    ▼a[S.l.]:▼bUniversity  of  California,  Santa  Barbara.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(142  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-03,  Section:  B.
■500    ▼aAdvisor:  Petzold,  Linda.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Santa  Barbara,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aIn  the  era  of  data-driven  decision-making,  healthcare  stands  as  a  critical  domain  where  machine  learning  (ML)  techniques  can  bring  transformative  changes.  However,  the  application  of  ML  in  healthcare  faces  unique  challenges  due  to  clinicians'  limited  understanding  of  intricate  ML  processes,  the  diverse  and  unstructured  nature  of  healthcare  data,  high  computational  costs,  and  the  "black  box"  problem  associated  with  ML  algorithms.  The  recent  advent  of  large  language  models  (LLMs)  further  introduces  the  challenge  of  developing  appropriate  prompts  to  guide  these  models  to  provide  meaningful  and  contextually  relevant  responses.This  dissertation  grapples  with  these  challenges  across  a  series  of  studies.  First,  we  analyze  multiple  ML  configurations  for  the  prediction  of  multiple  organ  failure  in  trauma  patients,  highlighting  the  impact  of  classifier  choice  on  performance.  Next,  we  propose  a  multimodal  Transformer  model  for  early  sepsis  prediction,  demonstrating  its  efficacy  over  competitive  baselines.  To  address  the  computational  costs,  we  propose  an  efficient  model  for  multivariate  time  series  classification.  Reinforcement  learning  is  then  applied  to  predict  the  need  for  blood  transfusion  in  intensive  care  units,  offering  a  decision  support  tool  for  effective  treatment  recommendations.  Lastly,  we  conduct  a  comparative  study  on  the  readiness  of  LLMs  for  healthcare,  introducing  a  novel  prompting  strategy  to  maximize  their  effectiveness.The  primary  objective  of  this  dissertation  is  to  facilitate  the  advancement,  comprehensive  evaluation,  and  systematic  optimization  of  machine  learning  applications  specifically  in  the  healthcare  domain.  Our  work  aims  to  connect  complex  ML  methodologies  with  practical  healthcare  applications.  As  our  work  progresses,  we  remain  committed  to  the  continuous  refinement  and  enhancement  of  these  models.  Our  approach  aims  to  balance  technical  sophistication  with  ease  of  use,  minimizing  the  trade-off  between  the  two.  We  believe  that  our  ML  advancements,  tailored  to  the  unique  needs  of  healthcare  applications,  can  improve  patient  outcomes  and  streamline  healthcare  delivery.
■590    ▼aSchool  code:  0035.
■650  4▼aComputer  science.
■653    ▼aDecision-making
■653    ▼aHealthcare  models
■653    ▼aMachine  learning
■653    ▼aTrauma  patients
■653    ▼aTechnical  sophistication
■690    ▼a0984
■690    ▼a0800
■71020▼aUniversity  of  California,  Santa  Barbara▼bComputer  Science.
■7730  ▼tDissertations  Abstracts  International▼g85-03B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0035
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16932970▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024