Meg Morgan

Deallusrwydd Artiffisial Esboniadwy ac Addasol ar gyfer Rhagweld a Phroffilio

Crynodeb:

Mae'r prosiect hwn yn astudiaeth archwiliadol gynnar sy'n ymchwilio i'r ffactorau iechyd, ffordd o fyw a demograffig sy'n arwain at risg uwch o gael eich derbyn i'r ysbyty, ac a yw modelau ML a DL traddodiadol yn gallu defnyddio'r ffactorau hyn i ragweld hyd arhosiad yn yr ysbyty. Casglwyd syniadau gan weithwyr proffesiynol y GIG gan ddefnyddio arolwg byr, a defnyddiwyd canfyddiadau o hyn i greu set ddata synthetig sy’n cynnwys 8 nodwedd, gyda dau label: arosiadau byr neu hir. Y nodweddion a ddewiswyd oedd Oedran, Rhywedd, Cyflyrau Iechyd, Iechyd Meddwl, Ysmygu, Defnydd Alcohol, Statws Cymdeithasol-economaidd ac Ymarfer Corff. Dewiswyd data synthetig fel sail ar gyfer arbrofi oherwydd argaeledd data sensitif. Ar gyfer y cam prawf-o-gysyniad cynnar hwn, mae hyblygrwydd data synthetig yn fuddiol.

Cynhyrchwyd data gan ddefnyddio Python, a phrofwyd pedwar model: Random Forest, KNN, SVM a rhwydwaith niwral. Perfformiodd Random Forest orau gyda sgôr F1 o 0.81, gyda SVM yn perfformio waethaf gyda sgôr F1 o 0.61. Dadansoddwyd pob model gan ddefnyddio sgôr F1 a matricsau dryswch. Ni pherfformiodd yr un o'r modelau'n wael, gan ddangos bod dysgu peirianyddol yn ddull hyfyw ar gyfer rhagweld hyd arhosiad a chefnogi dyrannu adnoddau'n effeithiol yn adrannau brys y GIG. Mae cyfyngiadau'r gwaith hwn yn cynnwys y diffyg cydberthynas rhwng nodweddion yn y set ddata synthetig, nad yw'n adlewyrchu data empirig yn llawn. Bydd gwaith yn y dyfodol yn datblygu model mwy soffistigedig i ragweld a phroffilio cleifion sy'n ymweld ag Adran Achosion Brys, gan ddefnyddio data o Fwrdd Iechyd GIG Hywel Dda. Mae'r gwaith hwn yn fan cychwyn, gydag ystyriaethau ar gyfer pa fodelau y dylid eu dewis, ffactorau cymdeithasol sy'n arwain at risg uwch i gleifion, a manteision posibl deallusrwydd artiffisial mewn lleoliad gofal iechyd.