Informed machine learning models to predict blood pressure curves of hypertensive individuals after cumulative physical activity

Denne oppgaven impementerer og analyserer modeller som predikerer blodtrykkskurver for hypertensive personer etter en periode med en gitt trening. Målet med studien var å vurdere anvendelsen av informert maskinlæring (IML) i denne konteksten, og flere modeller har blitt implementert for å sammenligne ulike IML-metoder. Hypertensjon er definert som vedvarende høyt blodtrykk, og øker risikoen for livsstilssykdommer. Norges teknisk-naturvitenskapelige universitet, Trondheim, jobber for tiden med et projekt som heter My Medical Digital Twin (MyMDT). Prosjektets ambisjon er å utvikle en personlig medisinsk digital tvilling som overvåker en hypertensiv persons blodtrykk og gir individspesifikke behandlingsråd. Vårt prosjekt har som mål å bistå MyMDT ved å evaluere ulike maskinlæringsmodeller for å predikere effekten av fysisk aktivitet på blodtrykket. Tidligere studier har vist at å inkludere fysikkbasert kunnskap i en maskinlæringsmodell kan hjelpe modellen til å gjøre fysisk riktige og mer nøyaktige prediksjoner. I tillegg viser litteraturen at relevant kunnskap kan være verdifullt når en jobber med utilstrekkelige mengder data. Basert på tidligere studier av IML implementerer dette prosjektet to forskjellige IML-metoder for å predikere blodtrykkskurver. Den ene metoden inkluderer en fysikkbasert tapsfunskjon, og den andre metoden predikerer feilen av etimatet til en fysisk modell. Dette prosjektet presenterer seks ulike modeller som predikerer blodtrykkskurver til personer etter en treningsperiode. Dataen benyttet i prosjektet er hentet fra en 12-ukers studie ved St. Olavs Universitessykehus, Trondheim. En lineær regresjonsmodell er implementert som et sammenligningsgrunnlag, i tillegg til to nevrale nettverk med ulik tapsfunskjon, der den ene innholder et fysikkbasert ledd. Videre er to residualmodeller implementert og evaluert for å vurdere anvendbarheten til denne IML-metoden. Til slutt er et nevralt nettverk basert på store mendger syntetisk data implementert for å vurdere effekten av en større datamendge enn det som er tilgjengelig i dette prosjektet. Sammenligning av ulike modeller viser nytten av IML i prediksjoner av blodtrykkskurver. Resultatene viser at de implementerte IML metodene presterer bedre enn de standard maskinlærlingsmodellene, og analysene indikerer at mindre data kreves for IML for å oppnå like gode prediskjoner.