20.500.12556/DKUM-86930 Primerjava podpornih vektorjev, naključnih gozdov in nevronskih mrež za napoved odziva na zdravljenje z adalimumabom pri slovenskih bolnikih s crohnovo boleznijo Comparison of support vectors, random forests and neural networks for predicting the response to adalimumab treatment in slovenian patients with crohn´s disease Uvod: V našem magistrskem delu smo želeli ugotoviti učinkovitost metod strojnega učenja pri napovedi odziva bolnikov s Chronovo boleznijo na biološko zdravilo adalimumab. Metode: Raziskava je vključevala 88 vzorcev, ki so bili analizirani glede na genetske, klinične in mešane podatke v različnih tednih zdravljenja. Uporabljene metode, kot so naključni gozdovi (RF), podporni vektorji (SVM) in nevronske mreže (NNET), so bile evalvirane z uporabo različnih metrik natančnosti, občutljivosti in Youdenovega indeksa. Rezultati: Rezultati kažejo, da je metoda RF najboljša na mešanih podatkih, SVM izstopa pri kliničnih, medtem ko NNET in RF dosegata najboljše rezultate na genetskih podatkih v različnih obdobjih zdravljenja. Uporaba metode "bagging" je izboljšala natančnost, še posebej pri RF. Kljub temu se zahteva previdnost pri interpretaciji zaradi omejene velikosti vzorca. Razprava: Naša analiza poudarja potrebo po preudarnem izboru metode, odvisnem od specifičnih značilnosti podatkov in ciljev analize. Sklep: Naše ugotovitve na podlagi analize predstavljajo osnovo za nadaljnje raziskave v smeri izboljšanja natančnosti modelov napovedi zdravljenja. Introduction: In our master's thesis, we aimed to assess the effectiveness of machine learning methods in predicting the response of patients with Crohn's disease to the biological drug adalimumab. Methods: The study involved 88 samples, analyzed based on genetic, clinical, and combined data over various treatment weeks. Employed methods, such as Random Forest (RF), Support Vector Machine (SVM), and Neural Network (NNET), were evaluated using diverse accuracy metrics, sensitivity, and the Youden Index. Results: Findings indicate RF as optimal for mixed data, SVM excelling in clinical data, while NNET and RF performed best on genetic data across different treatment periods. The use of "bagging" improved accuracy, particularly with RF. However, caution is warranted in interpretation due to the limited sample size. Discussion: Our analysis underscores the need for a judicious method selection, contingent on specific data characteristics and analysis goals. Conclusion: Our insights, derived from this analysis, serve as a foundation for further research aimed at enhancing the accuracy of treatment prediction models. Crohnova bolezen bioinformatika napovedni modeli strojno učenje Crohn’s disease bioinformatics prediction models machine learning true true false [K. Nemec] Slovenski jezik Angleški jezik Magistrsko delo 2024-01-29 17:25:04 2024-03-26 15:12:11 2024-07-24 12:37:49 0000-00-00 00:00:00 2024 0 Maribor 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 004.43:615.32:616.34-002(043.2) 190297859 MAG_Nemec_Katja_2024.pdf MAG_Nemec_Katja_2024.pdf 1 221EC61A817C497CC370467D511A567C 43a74880f127bf763571f572f6c48a30a68d88e4cb8879e97d7c6d1c0c0a7784 e07f5d75-c05f-11ee-a100-00155d000105 https://dk.um.si/Dokument.php?lang=slv&id=175846 Fakulteta za zdravstvene vede 0 0 0