is Íslenska en English

Lokaverkefni (Meistara)

Háskóli Íslands > Verkfræði- og náttúruvísindasvið > Meistaraprófsritgerðir - Verkfræði- og náttúruvísindasvið >

Vinsamlegast notið þetta auðkenni þegar þið vitnið til verksins eða tengið í það: http://hdl.handle.net/1946/33343

Titill: 
  • Titill er á ensku Modelling and Evaluation of Serial and Parallel Density-Based Clustering for Acute Respiratory Distress Syndrome
Námsstig: 
  • Meistara
Útdráttur: 
  • Útdráttur er á ensku

    Acute Respiratory Distress Syndrome (ARDS) is a highly heterogeneous condition that affects a relatively low number of mechanically-ventilated intensive care patients, though its mortality rate is quite high, hence the need to develop early diagnosis methods. In this thesis we developed, modelled, and evaluated an approach to extract patient data and evaluate it, perform pre-processing steps, and cluster it using the density-based DBSCAN clustering algorithm. At the same time we made use of available High Performance Computing (HPC) technology in order to parallelise the data manipulation processes. Our implementation showed a significant speed-up in the performance of the highly compute- and data-intensive tasks when using the parallel computing infrastructure as opposed to running them in serial. Additionally, this process was used to assist in selecting the most effective values for the clustering parameters. These results set the path for future implementations of parallel computing in the large scale data extraction and analysis steps necessary for real-time diagnosis in a hospital environment. Furthermore, the pre-processing methods developed in this thesis can easily be adapted to other conditions in the ICU through the use of a HPC-ready Jupyter Notebook, which ultimately makes parallel computing accessible to clinicians without the need for expertise in parallel computing script development.

  • Brátt andnauðarheilkenni er fjölþætt ástand sem hefur áhrif á tiltolulega fáa sjúklinga í öndunarvél á gjörgæslu en hefur hins vegar háa dánartíðni, því er nauðsyn að þróa snemmskimunaraðferðir. Í þessu verkefni var þróað og sett upp líkan, aðferð til að sækja gögn sjúklinga ákvörðuð, forvinnsluskref framkvæmd og gögn þyrpuð eftir þéttleika með því að nota reikniritið DBSCAN. Einnig var notuð háafkasta útreikningatækni (e.\ High-Perfomance Computing (HPC)) til að samhliða reikninga. Útfærslun sýndi marktæka hraðaaukningu í afköstum útreikninga og meðferð gagna þegar notaðir eru samhliða útreikningar miðað við raðbundnar keyrslur. Þetta ferli var notað til að velja á gildi fyrir þyrpingar. Þessar niðursör leggja grunn að rauntíma samhliða vinnslu á gagnagreiningu í umhverfi sem er á sjúkrahúsum. Ennfremur er hægt að aðlaga forvinnsluaðferðirnar í þessari rannsókn fyrir aðrar aðstæður innan gjörgæsludeilda með því að nota hugbúnaðinn Jupyter Notebook, sem gerir klínískum sérfræðingum kleift að nýta sér samhliða gagnagreiningu án þess að hafa þá sérfræðiþekkingu á samhliða gagnagreiningar kóða.

Samþykkt: 
  • 31.5.2019
URI: 
  • http://hdl.handle.net/1946/33343


Skrár
Skráarnafn Stærð AðgangurLýsingSkráartegund 
Masters_Thesis.pdf1.58 MBOpinnHeildartextiPDFSkoða/Opna
Declaration of Access.pdf2.21 MBLokaðurYfirlýsingPDF