Ανάπτυξη μοντέλου εκτίμησης του κινδύνου εμφάνισης καρδιαγγειακής νόσου σε άτομα με Σακχαρώδη Διαβήτη, βασισμένου σε ταξινομητή Τυχαίων Δασών

Τσίρκας, Ευάγγελος; Tsirkas, Evangelos

dc.contributor.author	Τσίρκας, Ευάγγελος	el
dc.contributor.author	Tsirkas, Evangelos	en
dc.date.accessioned	2016-04-12T08:34:17Z
dc.date.available	2016-04-12T08:34:17Z
dc.date.issued	2016-04-12
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/42365
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.11711
dc.rights	Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nd/3.0/gr/	*
dc.subject	Σακχαρώδης διαβήτης τύπου 2	el
dc.subject	Τυχαία δάση	el
dc.subject	Δέντρα απόφασης	el
dc.subject	Μοντέλα πρόβλεψης κινδύνου	el
dc.subject	Συστήματα κλινικών αποφάσεων	el
dc.subject	Type 2 diabetes mellitus	en
dc.subject	Random forests	en
dc.subject	Decision trees	en
dc.subject	Risk prediction models	en
dc.subject	Clinical decision support systems	en
dc.title	Ανάπτυξη μοντέλου εκτίμησης του κινδύνου εμφάνισης καρδιαγγειακής νόσου σε άτομα με Σακχαρώδη Διαβήτη, βασισμένου σε ταξινομητή Τυχαίων Δασών	el
dc.title	Assessment of cardiovascular disease occurence in individuals with Type 2 Diabetes Mellitus, based on the Random Forests approach	en
heal.type	bachelorThesis
heal.classification	Μηχανική μάθηση	el
heal.classification	Machine learning	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2015-09-14
heal.abstract	Η παρούσα διπλωματική εργασία αποσκοπεί στη σχεδίαση, ανάπτυξη και αξιολόγηση ενός εξατομικευμένου μοντέλου εκτίμησης του κινδύνου ανάπτυξης καρδιαγγειακής νόσου ως μακροπρόθεσμη επιπλοκή του Σακχαρώδους Διαβήτη Τύπου 2 (ΣΔΤ2). Ο ΣΔΤ2 χαρακτηρίζεται από τη μειωμένη ευαισθησία των κυττάρων του οργανισμού στη δράση της ινσουλίνης, της κύριας ορμόνης που ρυθμίζει τα επίπεδα σακχάρου στο αίμα ή από την τάση του παγκρέατος για περιορισμένη παραγωγή και έκκρισή της. Τα αίτια εμφάνισης της νόσου παραμένουν αδιευκρίνιστα, ενώ οι βραχυπρόθεσμες και οι μακροπρόθεσμες επιπτώσεις της στην υγεία των ατόμων με ΣΔΤ2καθιστούνεπιτακτική την ανάγκη για μελέτη και αντιμετώπισή της. Το μοντέλο λαμβάνει είσοδο δημογραφικά, ανθρωπομετρικά, κλινικά, και περιβαλλοντικά δεδομένα καθώς και πληροφορίες σχετικά με τις θεραπευτικές αγωγές που ακολουθεί ο ασθενής για την αντιμετώπιση της νόσου και των συνοδών νοσημάτων, ενώ εξάγει την πιθανότητα εμφάνισης καρδιαγγειακού νοσήματος σε βάθος χρόνου ίσο με 5 έτη. Η ανάπτυξη του μοντέλου βασίστηκε στη μεθοδολογία των Τυχαίων Δασών, μιας τεχνικής εξόρυξης γνώσης από δεδομένα με μηχανική μάθηση. Τα Τυχαία Δάση βασίζονται στην συνδυασμένη χρήση πολλαπλών Δέντρων Αποφάσεων, τα οποία μπορούν να επιλύσουν προβλήματα Ταξινόμησης και Παλινδρόμησης. Στο σύστημα που αναπτύξαμε τα Δέντρα Απόφασης λειτουργούν ανεξάρτητα, χειριζόμενα ένα πρόβλημα Παλινδρόμησης, και το καθένα από αυτά εξάγει την πιθανότητα εμφάνισης καρδιαγγειακής νόσου. Τα ανεξάρτητα αποτελέσματα κάθε Δέντρου Απόφασης συλλέγονται για τον μετέπειτα υπολογισμό της τελικής πιθανότητας. Για την ανάπτυξη και την αξιολόγηση του μοντέλου χρησιμοποιήθηκαν δεδομένα 560 ατόμων με ΣΔΤ2, τα οποία παραχωρήθηκαν από το Διαβητολογικό Κέντρο του Ιπποκράτειου Νοσοκομείου Αττικής. Το μοντέλο αξιολογήθηκε ως προς τη διακριτική του ικανότητα καθώς και ως προς την ικανότητά του να παράγει ακριβείς εκτιμήσεις του κινδύνου. Το τελικό σύστημα συγκρίθηκε με την απόκριση ενός έτοιμου μοντέλου (από τις βιβλιοθήκες του λογισμικού πακέτου Matlab), προκειμένου να διαπιστωθεί η ορθότητα της σχεδίασής του.	el
heal.abstract	The present thesis aims at the design, development and evaluation of a model for the assessment of Cardiovascular Disease risk as long term complication of Type 2 Diabetes Mellitus (T2DM). T2DM is characterized by elevated blood glucose levels due to insulin resistance and limited insulin secretion. The causes of the occurrence of the disease remain yet unclear, while its evolution and long-term complications pose the need for further research toward identifying an optimal treatment plan. The model receives demographic, anthropometric, clinical and environmental data as input, along with information related to the therapeutic scheme of a patient, in order for the disease and its complications to be treated, while it produces the probability of the cardiovascular disease occurrence in a 5 year time span. The development of the proposed model has been based on the Random Forests methodology, which is a Machine Learning technique strongly connected to the concept of Data Mining. Random Forests are constructed with Decision Trees that are capable of solving Classification and Regression problems. The system presented in this dissertation involves the parallel and independent function of Decision Trees that deal with a Regression problem, and the response of every tree is a probability of cardiovascular disease occurrence in T2DM individuals. The independent results of every Decision Tree are then collected for the calculation of the final probability. The information on the aforementioned 560 individuals with T2DM was granted by the Diabetes Center, Hippokration Hospital of Athens, Greece. The evaluation of the model includes the use of efficiency measures for the notions of Discrimination and Calibration. The final system is compared to the response of a given model (from the libraries of Matlab software package), in order for us to validate the correctness of our design.	en
heal.advisorName	Νικήτα, Κωνσταντίνα	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας - Γεώργιος	el
heal.committeeMemberName	Κουτσούρης, Διονύσιος - Δημήτριος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Συστημάτων Μετάδοσης Πληροφορίας και Τεχνολογίας Υλικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	116 σ.
heal.fullTextAvailability	true