ITEM METADATA RECORD
Title: Predictive Diagnostic Models for Gynecologic Applications with Focus on Multi-Class Classification (Predictieve diagnostische modellen voor gynaecologische toepassingen met nadruk op meerklasse classificatie)
Other Titles: Predictive Diagnostic Models for Gynecologic Applications with Focus on Multi-Class Classification
Authors: Van Calster, Ben
Issue Date: 20-Mar-2008
Abstract: Het evidence-based medicine principe indachtig, is het duidelijk dat systemen terondersteuning van klinische beslissingen zeer nuttige hulpmiddelen kunnen zijn in deklinische praktijk. Er zijn ontelbare toepassingen voor dergelijke systemen, deels doorde vooruitgang in het domein van de computationele intelligentie. Deze systemen helpenclinici bij het nemen van belangrijke beslissingen, maar kunnen hen uiteraard nietvervangen. Het blijkt echter niet eenvoudig om goede systemen te implementeren in deklinische praktijk. Het is belangrijk dat dergelijke systemen gestoeld zijn op eenintense samenwerking tussen de systeemontwikkelaars en de uiteindelijke gebruikers, zodatze beantwoorden aan de reele noden van deze gebruikers. Ook is het essentieel dat desystemen uitgebreid getest worden om een goed beeld te krijgen van hun performantie.In deze thesis werden wiskundige modellen ontwikkeld voor de diagnose van ovariumtumorenen zwangerschappen van onbekende lokatie. Een snelle en accurate diagnose is voor beidecondities nodig om een zo goed mogelijke beslissing inzake de behandeling te kunnennemen. Er werd gewerkt met probabilistische modellen aangezien de mate van onzekerheidmet betrekking tot een bepaalde diagnose een invloed heeft op de beslissingen van debehandelende arts. Het gaat in beide situaties over meerklasse classificatie, wat mindereenvoudig is dan binaire classificatie. De modellen zijn gebaseerd op logistiekeregressie, Bayesiaanse kleinste kwadraten support vector machines, Bayesiaansemeerlaagse perceptrons, en kernel logistieke regressie.De modellen werden ontwikkeld door nauw samen te werken met gynaecologen, en resulteerdenin goede en betrouwbare voorspellingen. De modellen voor ovariumtumoren zijn gebaseerd opmulticentrische data en hebben met succes prospectieve interne en prospectieve externevalidaties doorstaan. De modellen voor zwangerschappen van onbekende lokatie zijngebaseerd op data van een centrum en hebben een eerste interne evaluatiedoorstaan. Op dit moment loopt er een multicentrische studie met de bedoeling de modellenvoor zwangerschappen van onbekende lokatie uitvoerig te testen en om nieuwe modellen opte stellen.
Description: 03/08
Publication status: published
KU Leuven publication type: TH
Appears in Collections:ESAT - STADIUS, Stadius Centre for Dynamical Systems, Signal Processing and Data Analytics
Gynaecological Imaging Section (-)
Leuven Statistics Research Centre (LStat)
Basic Research in Gynaecology Section (-)

Files in This Item:
File Description Status SizeFormat
thesis_finaal_060308.pdf Published 2435KbAdobe PDFView/Open

 


This item is licensed under a Creative Commons License
Creative Commons

All items in Lirias are protected by copyright, with all rights reserved.