Publication
Predicting surgery radiation exposure using machine learning methods
| dc.contributor.advisor | Lopéz, Miguel | |
| dc.contributor.advisor | Santos, Catarina | |
| dc.contributor.author | Oliveira, André Filipe dos Santos | |
| dc.date.accessioned | 2024-01-17T14:21:04Z | |
| dc.date.available | 2024-01-17T14:21:04Z | |
| dc.date.issued | 2023-12 | |
| dc.description.abstract | A exposição à radiação é uma preocupação significativa tanto para pacientes quanto para profissionais de saúde durante procedimentos cirúrgicos. O princípio de otimização "As Low As Reasonably Achievable" (ALARA) recomenda minimizar a dosagem de radiação ao nível prático mais baixo, mantendo a qualidade da imagem. O Conselho Nacional de Proteção e Medidas de Radiação (NCRP) dos EUA define um Nível de Dose de Radiação Substancial (SRDL) com níveis de referência de Air Kerma (AK) = 5 Gy, Kerma Area Product (KAP) = 500 Gy.cm2 e Tempo de Exposição = 60 minutos. Este estudo visa desenvolver métodos de Machine Learning (ML) para estimar a exposição à radiação em pacientes submetidos a procedimentos cirúrgicos. Isso envolve a identificação de fatores-chave que influenciam o uso de radiação, o desenvolvimento de modelos de ML para prever a exposição à radiação, a seleção de métricas para medir a precisão do modelo e o fornecimento de feedback aos cirurgiões. O objetivo é contribuir para o avanço da predição da exposição à radiação e aumentar a segurança do paciente, otimizando os resultados cirúrgicos. O estudo visa investigar a viabilidade de prever a exposição à radiação recebida pelos pacientes durante a imagem intraoperatória usando modelos de regressão. Os parâmetros Tempo de Exposição e Número de Disparos foram identificados como fatores-chave que influenciam a exposição à radiação. Neste estudo foram explorados cinco modelos de regressão (Random Forest, Support Vector Regression, Artificial Neural Network, Decision Tree e LASSO), utilizando um conjunto de dados que contêm dados de radiação de casos de pacientes. Primeiramente, foram realizadas análises estatísticas para obter um entendimento mais profundo do conjunto de dados, com foco na identificação dos fatores que influenciam significativamente a exposição à radiação e das características que apresentam a mais forte correlação com as variáveis de exposição à radiação. Em seguida, várias técnicas de ML, incluindo feature selection e hyperparameter tuning, foram aplicadas para aprimorar o poder preditivo dos modelos. O desempenho dos modelos foi avaliado usando métricas de regressão como Mean Square Error (MSE) e Mean Absolute Error (MAE). Além disso, o Cross Validation (CV) foi utilizado para garantir a capacidade de generalização dos modelos e minimizar o overfitting. O modelo Random Forest (RF) demonstrou desempenho superior em comparação aos outros quatro modelos, produzindo consistentemente valores mais próximos de 100% de precisão para ambas as métricas de avaliação. Como principal contribuição, os resultados do estudo demonstram a viabilidade de prever a exposição à radiação usando características obtidas pré cirurgia, com potenciais aplicações em diversas especialidades médicas. No entanto, é necessária uma pesquisa mais aprofundada para validar esses modelos em populações de pacientes maiores e mais diversificadas, incorporando características adicionais relacionadas à experiência do cirurgião e do técnico, e através do desenvolvimento de modelos para outras técnicas de imagiologia. | pt_PT |
| dc.description.abstract | Radiation exposure is a significant concern for both patients and healthcare professionals during surgical procedures. The “As Low As Reasonably Achievable” (ALARA) optimization principle recommends minimizing radiation dosage to the lowest practical level while maintaining image quality. The National Council on Radiation Protection and Measurements (NCRP) defines a Substantial Radiation Dose Level (SRDL) with reference levels of Air Kerma (AK)=5 Gy, Kerma Area Product (KAP)=500 Gy.cm2, and Exposure Time=60 minutes. This study aims to develop Machine Learning (ML) methods to estimate radiation exposure for patients undergoing surgical procedures. This will involve identifying key factors influencing radiation usage, developing ML models to predict radiation exposure, selecting metrics to measure model accuracy, and providing feedback to surgeons. The goal is to contribute to the advancement of radiation exposure prediction and enhance patient safety by optimizing surgical outcomes. The study aims to investigate the feasibility of predicting radiation exposure received by patients during intraoperative imaging using regression models. Exposure Time and Number of Shots parameters were identified as key factors influencing radiation exposure. Five regression models were explored in this study (Random Forest, Support Vector Regression, Artificial Neural Network, Decision Tree, and LASSO), employing a dataset comprising patients’ cases radiation data. First, statistical analyses were conducted to gain a deeper understanding of the dataset, with a focus on identifying the factors that significantly influence radiation exposure and the characteristics that exhibit the strongest correlation with radiation exposure variables. To follow, several machine learning techniques, including feature selection and hyperparameter tuning, were applied to enhance the predictive power of the models. The performance of the models was evaluated using regression metrics such as mean squared error (MSE) and mean absolute error (MAE). Additionally, cross-validation (CV) was employed to ensure the generalization ability of the models and minimize overfitting. The Random Forest (RF) model demonstrated superior performance compared to the other four models, consistently producing values closer to 100% of accuracy for both evaluation metrics. As a main contribution, the study's findings demonstrate the feasibility of predicting radiation exposure using preoperatively obtained features, with potential applications in various medical specialties. However, further research is needed to validate these models in larger and more diverse patient populations, incorporating additional features related to surgeon and technician experience, and developing models for other imaging techniques. | pt_PT |
| dc.identifier.tid | 203485459 | |
| dc.identifier.uri | http://hdl.handle.net/10400.26/49040 | |
| dc.language.iso | por | pt_PT |
| dc.subject | Machine Learning | pt_PT |
| dc.subject | Exposição à Radiação | pt_PT |
| dc.subject | KAP* | pt_PT |
| dc.subject | AK | pt_PT |
| dc.subject | Tempo de Exposição | pt_PT |
| dc.subject | Machine Learning | pt_PT |
| dc.subject | Radiation Exposure | pt_PT |
| dc.subject | Exposure Time | pt_PT |
| dc.title | Predicting surgery radiation exposure using machine learning methods | pt_PT |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| rcaap.rights | openAccess | pt_PT |
| rcaap.type | masterThesis | pt_PT |
| thesis.degree.grantor | Instituto Politécnico de Setúbal | |
| thesis.degree.name | Mestrado em Engenharia Biomédica | pt_PT |