Ανάπτυξη μοντέλου ταξινόμησης ημερήσιου γλυκαιμικού προφίλ ατόμων που πάσχουν από σακχαρώδη διαβήτη Τύπου 1

Διδυμιώτου-Καουκάκη, Κωνσταντίνα; Didymiotou-Kaoukaki, Konstantina

dc.contributor.author	Διδυμιώτου-Καουκάκη, Κωνσταντίνα	el
dc.contributor.author	Didymiotou-Kaoukaki, Konstantina	en
dc.date.accessioned	2021-03-12T06:53:39Z
dc.date.available	2021-03-12T06:53:39Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/53035
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.20733
dc.rights	Default License
dc.subject	Σακχαρώδης διαβήτης τύπου 1	el
dc.subject	Ανάλυση δεδομένων σύνθεσης	el
dc.subject	Τεχνικές μηχανικής μάθησης	el
dc.subject	Συσταδοποίηση	el
dc.subject	Ταξινόμηση	el
dc.subject	Type 1 diabetes mellitus	en
dc.subject	Compositional data analysis	en
dc.subject	Machine learning techniques	en
dc.subject	Clustering	en
dc.subject	Classification	en
dc.title	Ανάπτυξη μοντέλου ταξινόμησης ημερήσιου γλυκαιμικού προφίλ ατόμων που πάσχουν από σακχαρώδη διαβήτη Τύπου 1	el
heal.type	bachelorThesis
heal.classification	Στατιστική Ανάλυση	el
heal.classification	Μηχανική Μάθηση	el
heal.classification	Βιοϊατρική Τεχνολογία	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-02-26
heal.abstract	Αντικείμενο της παρούσας διπλωματικής εργασίας αποτελεί η ανάπτυξη ενός μοντέλου ταξινόμησης οκτάωρων γλυκαιμικών προφίλ που λαμβάνονται καθημερινά από Διατάξεις Συνεχούς Μέτρησης Γλυκόζης (ΔΣΜΓ) ατόμων που πάσχουν από Σακχαρώδη Διαβήτη Τύπου 1 (ΣΔΤ1) με στόχο την ανάπτυξη ενός συστήματος που λειτουργεί ως εργαλείο υποστήριξης της διαχείρισης του μεταβολισμού γλυκόζης. Η ανάπτυξη του μοντέλου βασίστηκε στην ανάλυση πραγματικών δεδομένων γλυκόζης ως Δεδομένα Σύνθεσης και στην εφαρμογή τεχνικών Μηχανικής Μάθησης. Για κάθε οκτάωρη περίοδο υπολογίστηκε ένα διάνυσμα (σύνθεση) που φανερώνει πως κατανεμήθηκε ο χρόνος που πέρασε ο ασθενής σε έξι διαστήματα γλυκόζης σχετικά με υπογλυκαιμία, ευγλυκαιμία και υπεργλυκαιμία. Ο διαχωρισμός των διανυσμάτων σε συστάδες, που προέκυψε από την εφαρμογή αλγορίθμου συσταδοποίησης, χρησιμοποιήθηκε για την ανάπτυξη μοντέλων ταξινόμησης οκτάωρων γλυκαιμικών προφίλ. Τα μοντέλα ταξινόμησης αξιολογήθηκαν με τη μέθοδο διασταυρούμενης επικύρωσης LOO-CV. Από τους ταξινομητές που ελέγχθηκαν καλύτερη επίδοση παρουσίασε το μοντέλο SVM με ακρίβεια 93% κατά μέσο όρο. Παράλληλα, διερευνήθηκε πιθανοτικό μοντέλο για την εκτίμηση των μεταβάσεων μεταξύ διαδοχικών οκτάωρων περιόδων μέσα στην μέρα. Για την απόδοση των μοντέλων συσταδοποιήσης χρησιμοποιήθηκαν κυρίως κλινικά κριτήρια με σκοπό να διαπιστωθεί η ομοιογένεια των κλάσεων, ενώ για την αξιολόγηση της απόδοσης των ταξινομητών χρησιμοποιήθηκαν μαθηματικά κριτήρια. Τα αποτελέσματα έδειξαν ότι η ανάλυση Δεδομένων Σύνθεσης είναι αρκετά ικανοποιητική για την κατηγοριοποίηση γλυκαιμικών προφίλ.	el
heal.abstract	The aim of the current diploma thesis is the development of a classification model of 8-hour glycemic profiles obtained from continuous glucose monitoring systems (CGMS) worn by people suffering from Type 1 Diabetes Mellitus (T1DM). The applied methodology is based on compositional data analysis (CoDa) and machine learning techniques. Compositional data analysis is applied to three 8-hour periods. Glucose values for each period were distributed in six different ranges, relative to hypoglycemia, normoglycemia and hyperglycemia, which determined the composition vector. A clustering algorithm was applied to the centered log-ratio coordinates of the compositions to group 8-hour periods into categories with similar characteristics. A set of classifiers were applied, using the valid 8-hour compositions and the respective categories, in order to test their capacity to automatically categorize never before seen 8-hour periods. Leave one out cross validation (LOO-CV) method was performed for the evaluation. From all the models examined the best performance was demonstrated by the SVM model with an average accuracy of 93%. A probabilistic model of transitions between the categories of the preceding 8-hour period to the categories of the following 8-hour period was obtained. Results showed that the compositional data analysis of the time spent in different glucose ranges is suitable for the categorization of glucose profiles into groups and it could be a useful tool for the management of glucose metabolism.	el
heal.advisorName	Νικήτα, Κωνσταντίνα	el
heal.committeeMemberName	Κουτσούρης, Δημήτριος	el
heal.committeeMemberName	Στάμου, Γεώργιος	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	142 σ.	el
heal.fullTextAvailability	false