Kandideerimine 2020

Kodulehekülg: https://www.haigekassa.ee/
Tegevusvaldkond: tervishoiuteenused, riiklik ravikindlustus
Suhtluskeel: eesti/inglise
Positsioonide arv: 1
Kandideerimine õppekavadelt: matemaatika ja statistika, kindlustus- ja finantsmatemaatika
Lähteülesanded:

Erindite tuvastamine

Üldiselt iga kord, kui ravikindlustatud inimene käib eriarsti juures, esitab haigla selle visiidi eest haigekassale raviarve. Raviarvel on muuhulgas märgitud kõik patsiendi diagnoosid ja kõik raviprotseduurid, mis selle visiidi käigus tehti. Sedaviisi koguneb haigekassal andmestik, kus jäädvustatud inimeste diagnoosid ja neile osutatud raviteenused läbi aastate. Võiks eeldada, et samasuguste haigustega patsientidele teostatakse sarnaseid protseduure, sõltumata konkreetsest haiglast, kus nad käivad, või konkreetsest arstist, kes neid ravib. Märkimisväärsed hälbed väljakujunenud standardpraktikast võiksid kuuluda lähemale vaatlusele ja sisulisele analüüsile.

Töö käigus modelleeritakse patsiendile teatud ajaperioodil (näiteks aasta jooksul) osutatud erinevate raviteenuste arvusid sõltuvalt sellele patsiendile pandud diagnoosidest ja muudest haigekassale teada olevatest tervisenäitajatest. Töö eesmärk on välja selgitada teatud diagnooside profiiliga kaasnevad „raviteenuste standardkomplektid“ ja sellest lähtuvalt tuua välja sellest standardist märkimisväärselt hälbivad olukorrad.

Töövahenditeks võivad sobida mitmemõõtmelise sõltuva tunnuse mudelid (sh masinõppe mudelid), näiteks närvivõrgud või kanooniline korrespondentsanalüüs (või ka muud ökoloogiliste koosluste analüüsi meetodid). Seetõttu eeldame R või Python oskust.

Lihtsama esialgse ülesandena võib modelleerida teatud ajaperioodil patsiendi eest esitatud raviarvete summat.

Välditava hospitaliseerimise riskipatsientide tuvastamine

Teatud kroonilised haigused (näiteks kõrgvererõhutõbi ja suhkrutõbi) on jälgimise ja asjatundliku raviga (sh vajadusel raviskeemi korrigeerides) edukalt vaos hoitavad. Kontrolli alt väljumisel aga võib inimene sattuda haiglaravile. Hospitaliseerimine on igas mõttes kulukas nii haigekassale kui inimesele endale. Seetõttu on oluline neid patsiente pidevalt jälgida.

Ka praegu on need patsiendid perearstide kõrgema tähelepanu all. Pilootprojekt on aga näidanud, et masinõppe abil on võimalik jälgimist vajavate patsientide hulka mõnevõrra täpsustada. Käesoleva projekti eesmärk on pilootprojekti tulemuste valideerimine ja parendamine.

Sisult on tegu binaarse klassifitseerimise ülesandega, kasutada on inimese raviarvete, retseptiravimite ja ravikindlustuse andmed. Seega on tööriistade valikus enamus masinõppe mudeleid alates logistilisest regressioonist kuni kujutlusvõime piirini. Suur osa praktilist tööd seisneb ennustusväärtuslike tunnuste leidmises. Eeldame R või Python oskust.

Kodulehekülg: https://positium.com/
Tegevusvaldkond: suurandmete analüütika
Suhtluskeel: eesti/inglise
Positsioonide arv: 1
Kandideerimine õppekavadelt: matemaatika ja statistika
Lähteülesanded:

Lähteülesanne 1

Mobiilikasutajate passiivse mobiilpositsioneerimise andmete (MPD) alusel on võimalik erinevaid mudeleid rakendades hinnata, kus paiknevad kasutaja jaoks olulised tegevuskohad ning mis on nende tegevuskohtade funktsioon või semantiline tähendus. Tegevuskoha olulisust on võimalik defineerida mitmeti. Näiteks võib olulise tegevuskohana näha asukohta, mida külastatakse sageli ning kus veedetud aeg ületab märkimisväärselt teistes asukohtades veedetud aja. Sellised tegevuskohad on näiteks kodu, töö, kool, lasteaed ja trennid ning neid võib nimetada ankrupunktideks – need on inimese geograafiliste liikumiste kohad, kus jäädakse nö ankrusse, ehk inimeste jaoks olulised kohad. Ankrupunktide mudeli eesmärk on iga mobiilikasutaja jaoks tuvastada, kus paiknevad antud kasutaja ankrupunktid ning mis on nende ankrupunktide funktsioon. Ankrupunktidele semantilise tähenduse määramisel võivad abiks olla mitmed erinevad tunnused nagu külastuste ajaline dimensioon, asukoha seotus teiste asukohtadega, asukoha suhteline tähtsus teiste asukohtade suhtes ja palju muud. Saadud  teavet on võimalik agregeeritud kujul kasutada mitmetes valdkondades. Näiteks, hinnata inimeste ruumilist mobiilsust, anda hinnanguid turismitrendide kohta või pakkuda sisendit transpordiplaneerimisel.

Eesmärk: Hinnata Positiumi ankrupunktide mudeli tundlikkust kasutusel olevate tunnuste suhtes ning pakkuda välja võimalusi mudeli täpsuse tõstmiseks, võttes kasutusele uusi tunnuseid ning hinnates ümber olemasolevate tunnuste kasutusvõimalusi ja printsiipe.

Lähteülesanne 2

Ankrupunktide mudeli usaldusväärsus on mitmemõõtmeline (ruumiline usaldusväärsus ja määratud ankrupunkti funktsiooni usaldusväärsus) ning sõltub mitmest aspektist. Alljärgnevalt on välja toodud mõned neist:

1. Mobiilpositsioneerimise andmepunktide piirkondlik paiknemine mobiilsidemastide tiheduse skaalal. Madalama mastitihedusega piirkonnad soodustavad nn segafunktsiooniga ankrupunktide teket, kuna mobiilsidemastide levialad on suuremad ning võivad katta mitme erineva ankrupunkti asukohti. See aga vähendab mudeli funktsionaalset usaldusväärsust.

2. Suurema mastitihedusega piirkondades võib kasutajal tekkida rohkem vähemtähtsamaid ankrupunkte kui madalama mastitihedusega piirkondades ja seetõttu võib suurema mastitihedusega piirkondades olla ankrupunktide tähtsus alahinnatud.

3. Kasutaja MPD hulk. Liiga väike MPD hulk/madal andmetihedus ei pruugi pakkuda piisavalt informatsiooni. See võib mõjutada nii ruumilist kui ka funktsionaalset usaldusväärsust.

Eesmärk: Kaardistada ankrupunktide usaldusväärsust mõjutavad tegurid ning töötada välja klassifikatsioonisüsteem, mis võimaldaks määrata iga leitud ankrupunkti ruumilise ja funktsionaalse usaldusväärsuse klassi.