|
|
Analýza klinických dat v rámci kochleární implantace
Staňková, Helena ; Kolářová, Jana (oponent) ; Odstrčilík, Jan (vedoucí práce)
Kochleární implantáty kompenzují různé poruchy slyšení postlingválně i prelingválně neslyšících jedinců. Klinická vyšetření zahrnující radiologická, anatomická a audiologická měření poskytují informace vedoucí ke kochleární implantaci a následné optimální rehabilitaci. Tato práce se v kooperaci s ORL klinikou Fakultní nemocnice u Svaté Anny věnuje analýze klinických dat uživatelů kochleárních implantátů. Rozbor dat zahrnuje plánování pomocí otologického softwaru OTOPLAN a práci s programem MAESTRO, NIS-Ambulance a TomoCon. Data jsou statisticky zpracována v programovacím prostřed MATLAB. Výsledky práce přináší jednotný náhled na rozmanitá data, který může sloužit jako pomocný rozhodovací faktor v předimplantačním či pooperačním postupu u nově implantovaných pacientů.
|
|
|
Methods for class prediction with high-dimensional gene expression data
Šilhavá, Jana ; Matula, Petr (oponent) ; Železný, Filip (oponent) ; Smrž, Pavel (vedoucí práce)
This thesis deals with class prediction with high-dimensional gene expression data. During the last decade, an increasing amount of genomic data has become available. Combining gene expression data with other data can be useful in clinical management, where it can improve the prediction of disease prognosis. The main part of this thesis is aimed at combining gene expression data with clinical data. We use logistic regression models that can be built through various regularized techniques. Generalized linear models enable us to combine models with different structure of data. It is shown that such a combination may yield more accurate predictions than those obtained based on the use of gene expression or clinical data alone. Suggested approaches are not computationally intensive. Evaluations are performed with simulated data sets in different settings and then with real benchmark data sets. The work also characterizes an additional predictive value of microarrays. The thesis includes a comparison of selected features of gene expression classifiers built up in five different breast cancer data sets. Finally, a feature selection that combines gene expression data with gene ontology information is proposed.
|
|
|
Analýza klinických dat v rámci kochleární implantace
Staňková, Helena ; Kolářová, Jana (oponent) ; Odstrčilík, Jan (vedoucí práce)
Kochleární implantáty kompenzují různé poruchy slyšení postlingválně i prelingválně neslyšících jedinců. Klinická vyšetření zahrnující radiologická, anatomická a audiologická měření poskytují informace vedoucí ke kochleární implantaci a následné optimální rehabilitaci. Tato práce se v kooperaci s ORL klinikou Fakultní nemocnice u Svaté Anny věnuje analýze klinických dat uživatelů kochleárních implantátů. Rozbor dat zahrnuje plánování pomocí otologického softwaru OTOPLAN a práci s programem MAESTRO, NIS-Ambulance a TomoCon. Data jsou statisticky zpracována v programovacím prostřed MATLAB. Výsledky práce přináší jednotný náhled na rozmanitá data, který může sloužit jako pomocný rozhodovací faktor v předimplantačním či pooperačním postupu u nově implantovaných pacientů.
|
|
|
Imputation Of Missing Values In Clinical Data
BIRKLBAUER, Micha Johannes
Imputation of missing data is a crucial step in data analysis since many statistical methods require complete datasets. In that regard MissForest imputation is a powerful tool that seems to outperform most other imputation approaches. This analysis evaluates how good imputation using MissForest is compared to other methods like imputation by Multivariate Imputation by Chained Equations (MICE), Restricted Boltzmann Machines (RBM) or the standard strawman (mean) imputation in a clinical dataset that is used to predict the mortality of patients after heart valve surgery.
|
|
|
Methods for class prediction with high-dimensional gene expression data
Šilhavá, Jana ; Matula, Petr (oponent) ; Železný, Filip (oponent) ; Smrž, Pavel (vedoucí práce)
This thesis deals with class prediction with high-dimensional gene expression data. During the last decade, an increasing amount of genomic data has become available. Combining gene expression data with other data can be useful in clinical management, where it can improve the prediction of disease prognosis. The main part of this thesis is aimed at combining gene expression data with clinical data. We use logistic regression models that can be built through various regularized techniques. Generalized linear models enable us to combine models with different structure of data. It is shown that such a combination may yield more accurate predictions than those obtained based on the use of gene expression or clinical data alone. Suggested approaches are not computationally intensive. Evaluations are performed with simulated data sets in different settings and then with real benchmark data sets. The work also characterizes an additional predictive value of microarrays. The thesis includes a comparison of selected features of gene expression classifiers built up in five different breast cancer data sets. Finally, a feature selection that combines gene expression data with gene ontology information is proposed.
|
host ::
RSS.