Giyilebilir sensörlerle nesnel ağrı değerlendirme

Abstract

Ağrı, doku hasarıyla bağlantılı hoş olmayan bir his ve duygusal bir deneyimdir. Amacı vücudun reaksiyona girmesine izin vermek ve daha fazla doku hasarını önlemektir. Yorumlamak için sinir lifleri aracılığıyla beyne bir sinyal gönderildiğinde ağrı hissedilir. Ağrı deneyimi herkes için farklıdır ve ağrıyı hissetmenin ve tanımlamanın farklı yolları vardır. Bu ağrıyı tanımlamayı ve tedavi etmeyi zorlaştırabilir. Bu çalışmada, yaşamsal belirtiler kullanılarak ağrının objektif değerlendirilmesi için hesaplamalı bir çözüm sunulmaktadır. Ağrı oluşana kadar görülen hayati belirtiler kullanılmıştır ve ağrının varlığı tahmin edilmeye çalışılmıştır. Bu çalışma kapsamında MIMIC-III veri tabanı kullanılarak ağrı ile ilişkili 129,267 veri elde edilmiştir. Bu verilerin 76,310 tanesi ağrı var olarak işaretlidir. Bu veri kümesi kullanılarak ağrı var veya yok tahmini yapılmıştır. Alınan en yüksek AUROC skoru 0.711'dir ve Random Forest algoritması kullanılarak elde edilmiştir. Bu çalışma, makine öğrenmesi yöntemlerinin kullanılmasının, hastane ortamında ağrının bilgisayar desteğiyle izlenmesini bir dereceye kadar teşvik edebileceğini göstermektedir.

Pain is an unpleasant sensation and emotional experience linked to tissue damage. It's purpose is to allow the body to react and prevent further tissue damage. We feel pain when a signal is sent through nerve fibers to the brain for interpretation. The experience of pain is different for everyone, and there are different ways of feeling and describing pain. This can make it difficult to define and treat. In this study, a computational solution for objective assessment of pain using vital signs was offered. This thesis evaluates the performances of computational methods that take the sequence of vital signs acquired until pain onset as input and report the predicted existence of pain. In this study, 129,267 number of data related to pain were obtained by using MIMIC-III database. 76,310 of the data are marked as pain. Existance of pain estimation was made using this dataset. The highest AUROC score obtained was 0.711 using the Random Forest algorithm. This thesis argue that the use of computational intelligence methods can promote computer-aided monitoring of pain in hospitalized environment to a certain degree.