Early prediction of sepsis from time-series clinical data
| dc.contributor.advisor | Кузьменко, Дмитро | uk_UA |
| dc.contributor.author | Речкалова, Анна | uk_UA |
| dc.date.accessioned | 2026-08-03T13:53:36Z | |
| dc.date.available | 2026-08-03T13:53:36Z | |
| dc.date.issued | 2026 | |
| dc.description | Дана робота розглядає задачу раннього прогнозування сепсису за клінічними часовими рядами, зібраними у відділенні інтенсивної терапії. Для проведення експериментів використовується набір даних PhysioNet/Computing in Cardiology Challenge 2019, що охоплює 40,336 пацієнтів ВІТ. У роботі оцінюються три архітектури моделей: LightGBM як базова модель на основі градієнтного бустингу, темпоральна згорткова мережа (TCN) як базова модель глибокого навчання, а також гібридна архітектура TCN-LightGBM. Застосовується MNAR-орієнтована інженерія ознак, що розглядає патерни пропущених значень як інформативні клінічні сигнали. Відбір ознак виконується окремо для кожної архітектури: на основі важливості за приростом для LightGBM та на основі пермутаційної важливості для TCN. Оптимізація гіперпараметрів проводиться за допомогою байєсівського пошуку. Інтерпретованість моделей забезпечується через SHAP-атрибуції для LightGBM та WinTSR для TCN. Обидва методи виявляють клінічно значущі патерни, хоча й через різні представлення. Найвищу якість прогнозування демонструє LightGBM: тестова utility score становить 0,381, AUPRC – 0,116. Гібридна архітектура не покращує результати порівняно з окремими моделями. Додатково розроблено демонстраційний застосунок на основі Streamlit для моделі LightGBM. | uk_UA |
| dc.description.abstract | This study addresses the problem of early sepsis prediction from clinical time series data collected in the intensive care unit. The PhysioNet/Computing in Cardiology Challenge 2019 dataset, comprising 40,336 ICU patients, is used as the experimental basis. Three model architectures were evaluated: LightGBM as a gradient boosting baseline, a Temporal Convolutional Network as a deep learning baseline and a hybrid TCN-LightGBM architecture. MNAR-aware feature engineering is applied. It treats missingness patterns as informative clinical signals. Feature selection is performed independently for each architecture: gain-based importance for LightGBM and permutation importance for TCN. Hyperparameter optimization is conducted via Bayesian search. Model-specific explainability is provided through SHAP attributions for LightGBM and WinTSR for TCN, demonstrating that both models capture clinically meaningful patterns through different representations. LightGBM achieves the highest performance, with a test utility score of 0.381 and AUPRC of 0.116. The hybrid architecture does not improve over the standalone models. A Streamlit demo is also provided for the LightGBM model. | en_US |
| dc.identifier.uri | https://ekmair.ukma.edu.ua/handle/123456789/40701 | |
| dc.language.iso | en_US | en_US |
| dc.status | first published | en_US |
| dc.subject | sepsis prediction | en_US |
| dc.subject | clinical time series | en_US |
| dc.subject | LightGBM | en_US |
| dc.subject | temporal convolutional network | en_US |
| dc.subject | SHAP | en_US |
| dc.subject | WinTSR | en_US |
| dc.subject | Missing Not At Random | en_US |
| dc.subject | explainability | en_US |
| dc.subject | bachelor's thesis | en_US |
| dc.title | Early prediction of sepsis from time-series clinical data | en_US |
| dc.title.alternative | Раннє прогнозування сепсису на основі часових рядів медичних даних | uk_UA |
| dc.type | Other | uk_UA |
Files
License bundle
1 - 1 of 1
No Thumbnail Available
- Name:
- license.txt
- Size:
- 1.71 KB
- Format:
- Item-specific license agreed upon to submission
- Description: