Problemstilling og mål: Forudsigelse af forværring under indlæggelse på akutmodtagelsen er et fascinerende emne såvel som et svært og komplekst problem. Vitale værdier er blandtde vigtigste parametre der anvendes til identifikation af risikopatienter, og mange bestræbelser på at muliggøre tidligere opdagelse af risikopatienter er blevet gjort på dette område, men ingen specifik model har været generelt anvendeligt og er blevet integreret ind i klinisk daglig praksis. Årsagerne er mange og inkluderer flere alvorlige barrierer, som ikke er undersøgt endnu. Derfor går vi i dette forskningsprojekt ud over den traditionelle tilgang, og ser på problemet fra nye og anderledes vinkler. I stedet for blot at se på grænseværdier og enkelt målinger for vitale værdier, får vi mere præcise indsigter om de forværrede patienter og deres kendetegn ved at bruge kontinuerlig overvågning, tidsserieanalyse og Machine Learning (ML) teknikker.Forskningsspørgsmål: Vi formulerer vores forskningsspørgsmål som:RQ1. I betragtning af patienternes sygdomsscore, hvordan kan vi forudsige deres forløb ved hjælp af et adaptivt realtidssystem?RQ2. Hvad er de rigtige teknikker til at håndtere dataudfordringer såsom manglende værdier og ubalancerede datasæt? Og hvordan påvirker disse teknikker ydeevnen af prædiktive modeller? Er der en sammenhæng mellem manglende værdier og klinisk forringelse? RQ3. I betragtning af tidsmæssige afhængigheder, hvilken yderligere information kan vi få fra patienters tilstand under indlæggelse? RQ4. I betragtning af tidsmæssige afhængigheder, hvad er de farlige mønstre, der sker ved forværring af patienters vitale tegn, før en uønsket hændelse? RQ5. Er der en sammenhæng mellem klinisk forværring og indlæggelseslængde som klinisk endepunkt?Metoder: Action Design Research (ADR) bruges som forskningsmetodologi for dette ph.d.- projekt. ADR har fire hovedfaser og syv principper, og ud fra disse stadier og principper fastlægges forskellige opgaver på hvert trin. Vi anvender denne metodologi vedrørende vores forskningsspørgsmål, mål, roller og ansvar i vores arbejde. Disse stadier er (1) problemformulering, (2) opbygning, intervention og evaluering, (3) refleksion og læring og (4) formalisering af læring. Rammer: Dette projekt er tværfaglig forskning i samarbejde med forskere fra Center for Sundhedsinformatik og Teknologi på Syddansk Universitet og Akutafdelingen på Odense Universitetshospital. Resultater: To datasæt fra to danske hospitaler er indsamlet under projektet, og seks studier er designet til at identificere forværrede patienter og deres karakteristika. I det første trin gennemfører vi en omfattende systematisk litteraturgennemgang for at kortlægge området og identificere åbne områder indenfor feltet. Baseret på denne gennemgang fremsætter vi otte anbefalinger, der kan føre til udvikling af robuste prædiktive modeller i fremtiden. I næste trin bruges tidsserieanalyse til at introducere nye funktioner, der kan integreres i scoringssystemer og give et mere præcist billede af patienters tilstand. Efter dette trin udvikler vi hybridmodeller bestående af ML og autoregressive modeller for at forudsige nær fremtidig status for hver patient. I det næste trin evaluerer vi hypoteserne om sammenhæng mellem kliniske endemål og viser, hvordan data for opholdslængde (LOS) kan bruges til at stratificere patienter med risiko for klinisk forværring. I dette trin demonstrerer vi også, hvordan kvaliteten af data kan påvirke ydeevnen af ML-modeller. Endelig, i den sidste undersøgelse, udvikler vi et adaptivt system med evnen til visualisering og fortolkning baseret på shapelets mining og ensemble learning, der kan analysere vitale værdi serier og identificere de lokale mønstre, der er stærkt forbundet med klinisk forringelse. Konklusion: Anvendelighed, gennemsigtighed og fortolkning er blandt vores hovedmål i denne forskning. Disse aspekter hjælper os med at komme tættere på det endelige mål inden for dette forskningsfelt: at integrere ML-baserede modeller i klinisk praksis. Vi identificerer de forskningshuller og barrierer, der forhindrer forskere i at nå dette mål i denne forskning. Derfor er vi opmærksomme på nogle kriterier som tidskompleksitet og optimering samt visualiseringsevne for modeller, som er vigtige for klinikere. Vi introducerer også nye funktioner baseret på patienters forløb under indlæggelsen, som kan bruges i scoringssystemer og giver klinikere mere præcis indsigt i patienternes forhold. Purpose and Aim: Prediction of clinical deterioration is a fascinating topic as well as a messy and complex problem. Vital signs are among the main features used, and many effortsto improve identification of risk patients have been made in this area, but there is no successful model integrated into the real world. There are some serious barriers not investigated yet. Therefore, in this research, we go beyond the common approach and look at the problem from new and different angles. Instead of looking at the vital signs’ values, we get more precise insights about the deteriorating patients and their characteristics byutilizing continuous monitoring, time series analysis, and Machine Learning (ML) techniques. Research Questions: We formulate our research questions as:RQ1. Given the illness severity scores of patients, how can we predict their trajectories using an adaptive real-time system?RQ2. What are the proper techniques for addressing data challenges such as missing values and data imbalance? And how these techniques affect the performance of predictive models? Is there an association between missing values and clinical deterioration? RQ3. Considering temporal dependencies, what more information can we gain from patients’ conditions during hospitalization?RQ4. Considering temporal dependencies, what are the dangerous patterns happening in deteriorating patients’ vital signs before an adverse event? RQ5. Is there an association between clinical deterioration and Length of Stay as clinical outcomes? Methods: Action Design Research (ADR) is used as a research methodology for this PhD project. ADR has four main stages and seven principles and based on these stages and principles, various tasks are determined at each stage. We adopt this methodology regarding our research questions, aims, roles and responsibilities in our work. These stages are (1)Problem Formulation, (2) Building, Intervention, and Evaluation, (3) Reflection and Learning, and (4) Formalization of Learning.Settings: This project is interdisciplinary research with collaboration of researchers from Center for Health Informatics and Technology of University of Southern Denmark and the Emergency Department of Odense University Hospital. Results: Two datasets from two Danish hospitals are collected during the research, and six studies are designed for identifying deteriorating patients and their characteristics. In the first step, we conduct a comprehensive systematic literature review to identify the state-of-the-art studies and open areas in this field. Based on this review, we provide eight recommendations that can lead to developing robust predictive models in future. In the next step, time series analysis is used to introduce new features that can integrate into scoring systems and give a more accurate picture of patients’ conditions. Following this step, we develop hybrid models consisting of ML and autoregressive models to predict near future status of each patient. In the next step, we evaluate the hypotheses of association between clinical outcomes and show how Length of Stay (LOS) data can be used to stratify patients at risk of clinical deterioration. In this step, we also demonstrate that how quality of data can impact the performance of ML models. Finally, in the last study, we develop an adaptive system with the capability of visualization and interpretability based on shapelets mining and ensemble learning that can analyze vital signs’ trajectories and identify the local patterns that are highly associated with clinical deterioration.Conclusions: Applicability, transparency, and interpretability are among our main goals in this research. These metrics help us get closer to the ultimate aim in this field of research: integrating ML-based models in clinical practice. We identify the research gaps and barriers that prevent researchers from achieving this goal in this research. Therefore, we pay attention to some criteria such as time complexity and optimization as well as visualization ability for models, which are important for clinicians. We also introduce new features based on patients’ trajectories during hospitalization that can be used in scoring systems and give clinicians more accurate insight into the patients’ conditions.