Towards a Digital Twin for Critical Care through Explainable Digital Human Modelling of ICU Patients. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF Eprint_SUMON.pdf Restricted to Repository staff only until 13 May 2027. Download (5MB)

Arabic Abstract

في وحدات العناية المركزة، لا يزال التنبؤ المبكر والدقيق بالوفيات يمثل تحديًا كبيرًا نظرًا لاختلاف مسارات المرض وتغير حالة المرضى باستمرار. تُستخدم أنظمة التقييم السريري التقليدية لتحديد حالة المرضى، إلا أنها تعتمد على قياسات ثابتة وقواعد محددة مسبقًا، مما يحد من قدرتها على عكس التغيرات السريرية الديناميكية والاختلافات الفردية بين المرضى. مع تزايد توفر السجلات الصحية الإلكترونية ومجموعات البيانات الطبية الضخمة، توفر أساليب التعلم الآلي فرصًا أفضل للتنبؤ بالمخاطر بناءً على البيانات. ومع ذلك، فإن العديد من نماذج التنبؤ بالوفيات الحالية القائمة على البيانات لا تعمل إلا على أول 24 ساعة من بيانات وحدة العناية المركزة، وتفتقر إلى النمذجة الزمنية وقابلية التفسير، مما يحد من قيمتها العملية في دعم القرارات السريرية. لمعالجة هذه التحديات، نقترح إطار عمل موحدًا للنمذجة الرقمية البشرية والتوائم الرقمية للتنبؤ بمعدل الوفيات في وحدات العناية المركزة، مع مراعاة الأمراض وأنظمة الأعضاء. يعتمد مكون النمذجة الرقمية البشرية على نماذج التعلم الآلي القائمة على الأشجار، بما في ذلك تعزيز التدرج المتطرف، والغابة العشوائية، وآلة تعزيز التدرج الخفيف، والتي تم تدريبها على مجموعات بيانات مُعالجة مسبقًا خاصة بأمراض محددة في وحدات العناية المركزة، مع تعزيز قابلية التفسير من خلال تحليل الميزات القائم على تفسيرات شابلي الإضافية. كما تم دمج وحدة نمذجة مخاطر أنظمة الأعضاء لرصد تطور اختلال وظائف الأعضاء المتعددة. يقوم مكون التوأم الرقمي بمحاكاة استرجاعية قائمة على فترات زمنية محددة، تُحدّث تدريجيًا مخاطر الوفاة الخاصة بكل مريض ودرجات المخاطر على مستوى الأعضاء، باستخدام المعلومات المتاحة حتى كل خطوة زمنية فقط. إضافةً إلى ذلك، تم دمج وحدة تنبؤ بالخطوة التالية تعتمد على الذاكرة طويلة المدى لتوقع مسارات المخاطر المستقبلية خارج نطاق الفترات الزمنية المرصودة، مما يُمكّن من تقدير المخاطر الاستباقية قصيرة المدى ضمن إطار التوأم الرقمي. يُمكّن هذا من توليد مسارات مخاطر قابلة للتفسير، ويدعم آليات الإنذار المبكر. يوفر الإطار المقترح نهجًا شاملًا وديناميكيًا لتقييم المخاطر الشخصية ودعم اتخاذ القرارات في بيئات الرعاية السريرية.

English Abstract

In Intensive Care Unit (ICU) settings, early and reliable mortality prediction remains a significant problem due to heterogeneous disease trajectories and continuously changing patient conditions. Traditional clinical scoring systems (APACHE, SAPS, SOFA) are used to determine patient conditions. Although they rely on static measurements and predefined rules, which limits their ability to reflect dynamic clinical changes and patient specific variability. With the increasing availability of Electronic Health Records (EHRs) and large-scale medical datasets Machine Learning (ML) approaches offer improved opportunities for data-driven risk prediction. However, many existing data driven mortality prediction model works only the first 24 hours of ICU data and lack of temporal modeling and interpretability, which reduce their practical value in clinical decision support. To address these challenges, we propose a unified Digital Human Modeling (DHM) and Digital Twin (DTw) framework for disease-specific and organ system aware ICU mortality prediction. The DHM component leverages tree-based ML models, including XGBoost, Random Forest, and LightGBM, trained on preprocessed disease-specific ICU datasets, with interpretability enhanced through SHAP-based feature analysis. An organ-system risk modeling module is also incorporated to capture the progression of multi-organ dysfunction. The DTw component performs a retrospective window-based simulation that incrementally updates patient-specific mortality risk and organ-level risk scores using only information available up to each time step. In addition, an LSTM-based next-step forecasting module is integrated to project future risk trajectories beyond the observed windows, enabling short-term prospective risk estimation within the digital twin frame work. This enables the generation of interpretable risk trajectories and supports early warning mechanisms. The proposed framework provides a comprehensive and dynamic approach for personalized risk assessment and decision support in clinical care settings.

Item Type:	Thesis (Masters)
Subjects:	Computer
Department:	College of Computing and Mathematics > Information and Computer Science
Thesis Advisor:	Mufti Mahmud,
Thesis Committee Members:	Malak Baslyman, Haider Raza,
Depositing User:	MD SUMON ALI (g202320610)
Date Deposited:	13 May 2026 08:16
Last Modified:	13 May 2026 08:16
URI:	https://eprints.kfupm.edu.sa/id/eprint/144261