Prediktivní modelování nad medicínskými daty

Abstract

Tato bakalářská práce se zaměřuje na zlepšení rozhodování v jednotkách intenzivní péči (JIP) pomocí prediktivních modelů pro odhad úmrtnosti a délky přežití pacientů. Využitím databáze MIMIC-III s více než 40,000 pacienty byly aplikovány metody strojového učení, jako jsou rozhodovací stromy, náhodné lesy, XGBoost, GBM a DeepSurv, k identifikaci klíčových rizikových faktorů. Výsledky modelů byly integrovány do webové aplikace, která poskytuje interpretovatelné výstupy pro podporu prioritizace péče. Tato práce představuje praktický nástroj pro převod složitých dat z JIP na užitečné informace bez přímého ovlivňování léčby.

This thesis aims to improve clinical decision-making in intensive care units (ICUs) by developing predictive models for patient outcomes, including mortality and survival time. Using the MIMIC-III dataset of over 40,000 ICU patients, machine learning techniques such as decision trees, random forests, XGBoost, GBM and DeepSurv were applied to identify key risk factors. The results were integrated into a web-based application that provides doctors with interpretable results to support care prioritization. This work offers a practical solution for transforming complex ICU data into actionable information, without directly guiding treatment.