Bayesovské sítě jako prostředek predikce prognózy v oblasti medicíny mohou představovat vhodnější alternativu ke klasickým metodám jako je logistická regrese či prognostické indexy. Práce popisuje bayesovské sítě, jejich konstrukci a využití, a to zejména ke klasifikaci událostí a predikci lékařské prognózy. Popsaná teorie je využita při vytvoření bayesovské sítě pro predikci prognózy pacientů s folikulárním lymfomem v České republice na základě vybraných dat od Kooperativní lymfomové skupiny ČR. Výsledky vytvořené sítě a její vlastnosti jsou porovnány s klasickými metodami, které se v této oblasti využívají.
Anotace v angličtině
Bayesian networks as a tool for assessing the prognosis of patients may represent a more suitable alternative to classical prognostic methods such as logistic regression or various prognostic indices. The Thesis describes Bayesian networks, their construction, and their use, especially as a predictor of early disease progression. The network is used for the prediction of early progression of patients suffering from follicular lymphoma. The data come from the registry of the Czech Cooperative Lymphoma Group. The performance of the Bayesian network is compared with the standard logistic regression and with the PRIMA prognostic index traditionally used in this area.
Bayesovské sítě jako prostředek predikce prognózy v oblasti medicíny mohou představovat vhodnější alternativu ke klasickým metodám jako je logistická regrese či prognostické indexy. Práce popisuje bayesovské sítě, jejich konstrukci a využití, a to zejména ke klasifikaci událostí a predikci lékařské prognózy. Popsaná teorie je využita při vytvoření bayesovské sítě pro predikci prognózy pacientů s folikulárním lymfomem v České republice na základě vybraných dat od Kooperativní lymfomové skupiny ČR. Výsledky vytvořené sítě a její vlastnosti jsou porovnány s klasickými metodami, které se v této oblasti využívají.
Anotace v angličtině
Bayesian networks as a tool for assessing the prognosis of patients may represent a more suitable alternative to classical prognostic methods such as logistic regression or various prognostic indices. The Thesis describes Bayesian networks, their construction, and their use, especially as a predictor of early disease progression. The network is used for the prediction of early progression of patients suffering from follicular lymphoma. The data come from the registry of the Czech Cooperative Lymphoma Group. The performance of the Bayesian network is compared with the standard logistic regression and with the PRIMA prognostic index traditionally used in this area.
Cílem práce je nastudovat problematiku prediktivních modelů v oblasti léčby leukemie. Bude srovnán klasický přístup využívající logistickou regresi a modernější pohled skrze baysovské sítě. Na konkrétním příkladě predikce časného selhání u kohorty pacinetů trpících folikulárním lymfomem budou oba přístupy srovnány. Data pocházejí z registru české kooperativní lymfomové skupiny a práce bude vznikat ve spoluráci s hemato-onkologickou klinikou Fakultní nemocnice v Olomouci.
Zásady pro vypracování
Cílem práce je nastudovat problematiku prediktivních modelů v oblasti léčby leukemie. Bude srovnán klasický přístup využívající logistickou regresi a modernější pohled skrze baysovské sítě. Na konkrétním příkladě predikce časného selhání u kohorty pacinetů trpících folikulárním lymfomem budou oba přístupy srovnány. Data pocházejí z registru české kooperativní lymfomové skupiny a práce bude vznikat ve spoluráci s hemato-onkologickou klinikou Fakultní nemocnice v Olomouci.
Seznam doporučené literatury
Procházka, Vít, et al.: Folikulární lymfom, Mladá fronta, a.s., 2017.
Daphne Koller, Nir Friedman: Probabilistic Graphical Models Principles and Technique, The MIT press, London, 2009.
Bishop, Christopher: Pattern recognition and machine learning, Springer-Verlag New York, 2006.
Seznam doporučené literatury
Procházka, Vít, et al.: Folikulární lymfom, Mladá fronta, a.s., 2017.
Daphne Koller, Nir Friedman: Probabilistic Graphical Models Principles and Technique, The MIT press, London, 2009.
Bishop, Christopher: Pattern recognition and machine learning, Springer-Verlag New York, 2006.
Přílohy volně vložené
-
Přílohy vázané v práci
-
Převzato z knihovny
Ano
Plný text práce
Přílohy
Posudek(y) oponenta
Hodnocení vedoucího
Záznam průběhu obhajoby
V úvodu diplomantka představila data, jejichž analýza byla hlavní motivací pro vznik práce. V teoretické části se věnovala zejm. problematice bayesovských sítí. Výsledky dosažené pomocí rozšířené naivní bayesovské sítě srovnala s výstupem modelu logistické regrese a PRIMA PI. V reakci na připomínky oponenta detailněji vysvětlila jednu ze stěžejních definic práce a také ne zcela jasný pojem Markov blanket. Diplomová práce i její obhajoba byly kvalitní a celkové hodnocení je tedy A.