Kolde, Raivo, juhendajaHabakukk, SilleTartu Ülikool. Loodus- ja täppisteaduste valdkondTartu Ülikool. Arvutiteaduse instituut2023-08-252023-08-252022https://hdl.handle.net/10062/91756COVID-19 pandeemia on pannud tervishoiusüsteemid üle maailma töötama kõrgendatud koormusel. Jätkusuutliku tervishoiuteenuse osutamiseks on tihti vaja teha otsuseid, milliste patsientidega tegeleda eelisjärjekorras. Taoliste meditsiiniliste otsuste tegemisel kasutatakse tihti ennustavaid riskimudeleid, mida COVID-19 jaoks viiruse uudsuse tõttu pandeemia alguses ei eksisteerinud. Esimese haigestumislaine ajal loodud riskimudelid andsid pealtnäha häid tulemusi, kuid olles treenitud vähestel haigusega seotud andmetel pigem ei saavutanud rahuldavaid tulemusi välisel valideerimisel teistel andmestikel. Seetõttu ei saanud neid mudeleid kasutusele võtta ka Eestis. Selle töö eesmärk oli kasutada elektroonilisi terviseandmeid, et luua riskimudelid, mis ennustaksid hästi COVID-19 haiguskulgu ka Eesti rahvastikul. Riskimudelid treeniti ennustama patsientide haigla- või intensiivravi vajadust või surma 30 päeva jooksul peale COVID-19 nakatumist. Tulemuseks saadud riskimudelid kasutasid juhumetsa algoritmi, mis ei ole riskimudelite loomisel standardpraktika, kuid oli stabiilselt hea COVID-19 raske põdemise eristamisel ja vältis paremini andmetele ülesobitamist. Samas leiti, et mudelite ennustatud tõenäosuste absoluutväärtused vajavad kalibreerimist kui haiguspilt muutub ajas. Loodud riskimudelid kasutasid arvuliselt paljusid ennustavaid tunnuseid, mistõttu sobiksid peale välise sõltumatu valideerimise rakendamiseks rahvatervise valdkonnas otsuste vastu võtmiseks. Lisaks näidati, et ainult patsiendi eelneva haigusloo põhjal on võimalik ennustada COVID-19 haiguskulgu, ilma patsiendi sümptomeid arvesse võtmata.estopenAccessAttribution-NonCommercial-NoDerivatives 4.0 InternationalCOVID-19ennustusmudelidmeditsiiniinformaatikamagistritöödinformaatikainfotehnoloogiainformaticsinfotechnologyThesis