Denní předpověď příjmu a výdeje krve pomocí strojového učení
Loading...
Date
Authors
Advisor
Referee
Mark
A
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
ORCID
Abstract
Transfuzní oddělení musí neustále vyvažovat riziko nedostatku krve s rizikem plýtvání, které je způsobeno omezenou trvanlivostí krevních přípravků. Denní spotřeba krve i množství získané od dárců kolísají v čase vlivem klinické aktivity, provozních omezení, sezónních výkyvů i chování populace, což spolehlivé plánování zásob výrazně komplikuje. Tato diplomová práce zkoumá, zda mohou predikční modely podpořit efektivnější řízení zásob ve Fakultní nemocnici Brno prostřednictvím odhadů denní spotřeby a denních příjmů krve, a to samostatně pro jednotlivé krevní skupiny. Byly vyvinuty dva nezávislé predikční systémy: jeden pro odhad krevních výdajů a druhý pro odhad krevních příjmů. Modely využívají příznaky odvozené z běžně dostupných provozních a kalendářních dat, doplněné o informace o výskytu chřipky a meteorologických podmínkách. Hodnoceno bylo několik přístupů strojového učení, včetně lineární regrese, modelů random forest a neuronových sítí. Výkonnost modelů byla posuzována pomocí normalizované střední absolutní chyby (nMAE), která umožňuje srovnání výsledků napříč krevními skupinami s odlišnými typickými denními objemy. Velikost dosažené chyby predikce se mezi jednotlivými krevními skupinami výrazně lišila: u predikce krevních příjmů se nMAE pohybovala od 6 % do 26 %, zatímco u predikce výdajů od 28 % do 137 %. Přestože některé modely, zejména pro vzácnější krevní skupiny, vykazovaly relativně vysokou chybu, ve všech případech překonaly naivní referenční model. Ten při predikci spotřeby vychází z průměrných hodnot z předchozích let a při predikci darování využívá pouze počet registrovaných dárců. Vedle přesnosti predikce se práce zaměřuje také na analýzu vlivu jednotlivých faktorů na predikované veličiny. Identifikované vztahy odpovídají reálnému provozu transfuzního centra i klinické praxi, což podporuje interpretovatelnost výsledků a praktickou využitelnost navrženého přístupu jako podpůrného nástroje pro plánování a rozhodování.
AI in healthcare, Blood transfusion, Linear regression, Feature selection
AI in healthcare, Blood transfusion, Linear regression, Feature selection
Description
Keywords
Umělá inteligence v medicíně , krevní transfuze , lineární regrese , selekce příznaků , Blood transfusion services must continuously balance the risk of shortages against waste caused by the limited shelf life of blood products. Both the amount of daily used blood and the amount of blood stocked from donations vary over time. They are influenced by clinical activity , operational constraints , seasonal effects , and population behavior , which makes reliable planning difficult. This thesis investigates whether short-term forecasting can support more effective inventory management at University Hospital Brno by providing estimates of daily blood demand and daily blood stocked from donations , separately for individual blood types. Two task-specific forecasting pipelines were developed: one for demand and one for donations and stocked blood. Candidate predictors were engineered from routinely available operational and calendar information , complemented by additional external indicators where appropriate. Several machine learning approaches were evaluated , including linear regression , simple neural network models , and random forest models , and their performance was assessed using a normalized mean absolute error (nMAE) metric to enable comparison across blood types with different typical daily volumes. Achieved performance differs greatly between individual blood types , ranging from 6% to 26%for blood donations forecasting and from 28% to 137%for blood demand. Even though the error of some models , specifically for rarer blood types , was relatively high , their error still falls below that of a naive baseline model that averages values from previous years for blood demand forecasting , or that uses the number of registered donors directly for blood donation forecasting. In addition to predictive accuracy , the thesis analyzes how individual features influence target variables. The identified effects are consistent with transfusion center operations and clinical practice , supporting the interpretability and practical usefulness of the forecasting approach for planning and decision-making support.
Citation
DAŇKOVÁ, M. Denní předpověď příjmu a výdeje krve pomocí strojového učení [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2026.
Document type
Document version
Date of access to the full text
Language of document
en
Study field
bez specializace
Comittee
Date of acceptance
2026-06-24
Defence
Studentka prezentovala výsledky své práce a diskutovala dosažené výsledky se členy komise. Odpověděla na položené dotazy. Studentka práci obhájila.
Result of defence
práce byla úspěšně obhájena