Revealing and Confirming Substantial Cohort Changes in Mortality Modeling: The Use of Multivariate Control Chart and Machine Learning. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF THESIS FINAL - SURYO.pdf - Published Version Restricted to Repository staff only until 1 August 2024. Download (50MB)

Arabic Abstract

تعرف نمذجة الوفيات بأنها عملية بناء نموذج يتنبأ بمعدل وفيات فئة عمرية معينة خلال فترة زمنية محددة، حيث يتصف بذلك على أنه علم بالغ الأهمية في مجال السياسات الصحية وتخصيص الموارد. في الدراسات المعاصرة تتوفر عدة نماذج تؤدي دور التنبؤ ولكنها تأخذ في الاعتبار فقط بعض البيانات ذات الصلة، مما يجعل سلوك "الخطأ المقدّر" الناتج من عملية التنبؤ غير مفهومًا بشكل جيد. لحل هذه المشكلة، تقترح هذه الرسالة استخدام مخطط تحكم متعدد المتغيرات مبني على احصائية "Hoteling T2" لمراقبة "الانحراف الخارجي لـStudent" باعتبارها قيمة تصف كمية "الخطأ المقدّر" الناتجة عن نموذج الوفيات الذي تم تحسينه بواسطة تقنيات التعلم الآلي. تشير نتائج المحاكاة إلى أن نموذج الوفيات الذي تم اقتراحه بواسطة مخططات التحكم يحقق أداء أفضل من النماذج الأخرى. بالإضافة إلى إمكانية استخدام نماذج التعلم العميق مثل "Bidirectional LSTM"، "Gated Recurrent Unit"، و "Long Short-Term Memory" لتحسين دقة التنبؤ. تم تناول أيضًا تقنية "MTY" لتحديد الأسباب الرئيسية للوفيات حسب الفئة العمرية. ومن ثم تمت مقارنة النموذج المقترح بالتقليدي وذلك بالإعتماد على بيانات الوفيات في بريطانيا العظمى، أشارت النتائج إلى أن النموذج المقترح يتمتع بأداء أفضل. توصلت الرسالة إلى أنه يمكن الاستفادة من الطرق المقترحة باستخدامها مع الأداة الاحصائية "جداول الحياة المختصرة"، حيث يعزز ذلك دراسة وتحليل تباين معدل الوفيات في الأمراض الجديدة مثل كوفيد-١٩

English Abstract

Mortality modelling, which provides age-specific death data for a particular year, is crucial for healthcare policy and resource allocation. Traditional models, however, might only account for some pertinent data, leaving residual vectors with poorly understood behavior. To solve this problem, we suggest a multivariate control chart employing Hoteling T2 on an externally studentized deviance model that has been improved with a machine-learning. Our mortality model, which incorporates control chart analysis, performs better than other models. Our decomposition method enables us to pinpoint specific characteristics of death. Moreover, deep learning (DL) models like Gated Recurrent Unit, Bi-LSTM, and LSTM can enhance prediction accuracy beyond conventional models. To estimate the number of death and assess signals based on DL model residuals, our suggested methodology combines DL models and Hoteling T2 control charts. We also employ MTY decomposition to pinpoint the main reasons for mortality by age group. We compare our suggested methodology to the traditional way using mortality data, and the results show more outstanding performance. Our methodology may be utilized with abbreviated life tables and can detect mortality variations brought on by novel diseases like COVID-19.

Item Type:	Thesis (Masters)
Subjects:	Computer Math
Department:	College of Computing and Mathematics > Mathematics
Committee Advisor:	Abbas, Nasir
Committee Co-Advisor:	Omar, Mohammad Hafidz
Committee Members:	Riaz, Muhammad and Afuecheta, Emmanuel Osita and Duman, Ali Nabi
Depositing User:	SURYO ADI RAKHMAWAN (g202112370)
Date Deposited:	07 Aug 2023 06:52
Last Modified:	07 Aug 2023 06:52
URI:	http://eprints.kfupm.edu.sa/id/eprint/142463