Στατιστική ανάλυση και πρόβλεψη της έκβασης τραυματιών με χρήση αποδοτικών αλγόριθμων εξόρυξης πληροφορίας και ποινικοποιημένων μεθόδων επιλογής μεταβλητών

Abstract

In all sciences experiments are conducted in order to examine and reveal something about a process or system. In this thesis are presented the results of a new approach for selecting the most important predictors of a phenomenon, a combination of recently developed methods of data mining and penalized likelihood to high-dimensional medical problems. The method is used to find factors associated more with the possibility of death in people with traumatic injuries. Initially, data mining methods are presented. Steps that are followed during the procedure are described, which involve setting goals and using appropriate efficient algorithms for finding clustering, correlation, and classification rules. In detail the algorithms used for that purpose are A-priori, CRT, C5.0, CHAID, GRI, K-means and Two-step. Also to ensure the quality of results it is important to proper prepare data and therefore are presented in detail all the approaches to missing values frequently appear in the collection of medical information. Following are described the methods of selecting variables using penalized likelihood estimators who act like an oracle procedure, in the sense of choosing the correct model when the normalization parameter is selected properly. One of the advantages of these methods is that they detect significant variables and estimate the regression coefficients simultaneously. Also the procedure for calculating the standard error using a type of sandwich, is presented. Moreover, this thesis includes data collection methodology, and type of variables included in the study. Additionally, the results of extensive analysis of missing data are examined, including missing values mechanism, appropriate transformations of variables and conclusions from graphical information. Finally, the results are presented with the selection of important variables that lead to death trauma patients, using the above mentioned new approaches. Also the effectiveness of these methods and comparisons of the evaluation results according to their predictive ability, are discussed.

Σε όλες τις επιστήμες πραγματοποιούνται πειράματα που σκοπό έχουν να εξετάσουν και να αποκαλύψουν κάτι για μια διαδικασία ή ένα σύστημα. Στη παρούσα διατριβή παρουσιάζονται τα αποτελέσματα μιας νέας προσέγγισης επιλογής των σημαντικότερων παραγόντων πρόβλεψης ενός φαινομένου, με συνδυασμό των σύγχρονων μεθόδων εξόρυξης δεδομένων (data mining) και ποινικοποιημένης πιθανοφάνειας (penalized likelihood) σε πολυδιάστατα ιατρικά προβλήματα. Η μέθοδος χρησιμοποιείται για την ανεύρεση των παραγόντων που σχετίζονται περισσότερο με την πιθανότητα θανάτου σε άτομα με τραυματικές κακώσεις. Αρχικά παρουσιάζονται οι μέθοδοι εξόρυξης πληροφορίας. Συγκεκριμένα αναλύονται τα βήματα που ακολουθούνται κατά τη διαδικασία, τα οποία περιλαμβάνουν τον καθορισμό των στόχων και την χρήση κατάλληλων αποδοτικών αλγορίθμων για την εύρεση κανόνων συσταδιοποίησης, συσχέτισης, και ταξινόμησης. Αναλυτικά παρουσιάζονται οι αλγόριθμοι που χρησιμοποιήθηκαν στη μελέτη A-priori, CRΤ, C5.0, CHAID, GRI, K-means και Two-step. Επίσης για την εξασφάλιση της ποιότητας των αποτελεσμάτων σημαντική είναι η κατάλληλη προετοιμασία των δεδομένων και για το λόγο αυτό παρουσιάζονται αναλυτικά όλες οι προσεγγίσεις αντιμετώπισης των ελλειπουσών τιμών που συχνά εμφανίζονται κατά την συλλογή ιατρικών πληροφοριών. Στη συνέχεια περιγράφονται οι μέθοδοι επιλογής μεταβλητών με τη χρήση ποινικοποιημένης πιθανοφάνειας των οποίων οι εκτιμητές λειτουργούν όπως η προβλεπτική διαδικασία (oracle procedure), με την έννοια ότι επιλέγουν το σωστό μοντέλο όταν η παράμετρος ομαλοποίησης έχει επιλεχθεί κατάλληλα. Ένα από τα πλεονεκτήματα των μεθόδων αυτών είναι ότι ανιχνεύουν σημαντικές μεταβλητές και εκτιμούν τους συντελεστές παλινδρόμησης ταυτόχρονα. Επίσης περιγράφεται η διαδικασία υπολογισμού του τυπικού σφάλματος με τη χρήση ενός τύπου «σάντουιτς». Η παρούσα διατριβή περιλαμβάνει και τη μεθοδολογία συλλογής δεδομένων, και το είδος των μεταβλητών που περιλαμβάνονται στη μελέτη. Επιπρόσθετα μελετώνται τα αποτελέσματα της εκτενούς ανάλυσης των ελλειπουσών δεδομένων η οποία περικλείει τη μελέτη του μηχανισμού έλλειψης, τους κατάλληλους μετασχηματισμούς μεταβλητών και τα συμπεράσματα από τις γραφικές απεικονίσεις. Τέλος, παρουσιάζονται τα αποτελέσματα της επιλογής των σημαντικότερων μεταβλητών που οδηγούν σε θάνατο τους τραυματίες, με τη μέθοδο εξόρυξης δεδομένων και η στατιστική ανάλυσή τους με τις μεθόδους ποινικοποιημένης πιθανοφάνειας. Μελετάται ακόμα η αποδοτικότητα των μεθόδων και παρουσιάζονται συγκριτικά αποτελέσματα αξιολόγησης σύμφωνα με την προβλεπτική τους ικανότητα.