MARC

 008250123s2024        us                              c    eng  d
■001000017162799
■00520250211152056
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382739069
■035    ▼a(MiAaPQ)AAI31348918
■035    ▼a(MiAaPQ)umichrackham005404
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a658
■1001  ▼aOtles,  Erkin.
■24510▼aMachine  Learning  for  Healthcare:  Model  Development  and  Implementation  in  Longitudinal  Settings
■260    ▼a[Sl]▼bUniversity  of  Michigan▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a180  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-12,  Section:  B.
■500    ▼aAdvisor:  Denton,  Brian  T.;Wiens,  Jenna.
■5021  ▼aThesis  (Ph.D.)--University  of  Michigan,  2024.
■520    ▼aDespite  great  promise,  developing  and  implementing  machine  learning  (ML)  models  for  healthcare  remains  a  challenging  engineering  task.  The  progression  of  disease  generates  complex  longitudinal  data  that  can  be  difficult  to  harness  when  developing  models.  Additionally,  the  practice  of  medicine  is  inherently  dynamic,  meaning  that  implemented  models  must  be  responsive  to  changes.This  dissertation  aims  to  address  some  of  these  challenges.  In  the  first  part,  we  focus  on  the  issues  surrounding  the  development  of  models  for  use  in  the  setting  of  occupational  injuries.  This  field  has  typically  focused  on  developing  models  that  predict  injured  patients'  return  to  work  dates  using  information  collected  around  the  time  of  their  injury.  We  demonstrate  that  a  reformulated  model  using  longitudinal  observations  has  better  predictive  performance  than  a  baseline  representative  of  the  existing  approaches.Parts  two  and  three  focus  on  the  implementation  of  ML  models.  In  the  second  part,  we  investigate  the  phenomena  of  prospective  performance  degradation.  Although  ML  models  experience  degradation  over  time,  the  amount  of  degradation  expected  and  the  mechanisms  through  which  degradation  occurs  are  unclear.  We  introduce  methods  to  formally  quantify  this  degradation.  Additionally,  we  present  techniques  to  isolate  the  leading  causes  of  this  degradation,  splitting  temporal  shift  (changes  in  patients  and  practice)  from  information  technology  (IT)  infrastructure  shift  (differences  in  the  data  pipelines  serving  retrospective  model  development  and  prospective  implementation).  These  techniques  and  ancillary  analyses  allow  model  developers  to  debug  models  to  improve  prospective  model  performance.In  the  third  part,  we  focus  on  the  problem  of  updating  risk  stratification  models  that  have  been  integrated  into  clinical  practice.  Model  developers  may  seek  to  maintain  or  improve  ML  model  performance  over  time.  Thus,  model  developers  might  update  models  as  part  of  their  regular  maintenance.  We  focus  on  how  updated  models  may  change  the  risk  stratification  of  patients,  leading  to  poor  clinician-model  team  performance.  We  propose  a  new  rank-based  compatibility  measure  for  assessing  risk  stratification  model  updates.  In  addition  to  describing  the  behavior  of  this  measure,  we  also  introduce  a  technique  for  model  developers  to  generate  updated  models  that  balance  high  rank-based  compatibility  against  discriminative  performance.  Altogether,  this  work  provides  model  developers  with  methods  to  analyze  and  develop  updates  for  risk  stratification  models  that  support  clinical  decision  making.
■590    ▼aSchool  code:  0127.
■650  4▼aIndustrial  engineering
■650  4▼aMedicine
■650  4▼aComputer  science
■653    ▼aMachine  learning  models
■653    ▼aRisk  prediction  models
■653    ▼aDataset  shift
■653    ▼aModel  performance
■690    ▼a0984
■690    ▼a0546
■690    ▼a0564
■690    ▼a0800
■71020▼aUniversity  of  Michigan▼bIndustrial  &  Oper  Eng  PhD.
■7730  ▼tDissertations  Abstracts  International▼g85-12B.
■790    ▼a0127
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17162799▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서