Ανάπτυξη μοντέλων ομοσπονδιακής μηχανικής μάθησης για την πρόβλεψη των επιπέδων γλυκόζης σε ατομα με σακχαρώδη διαβήτη τύπου 1

Σαρλής, Αλέξανδρος

dc.contributor.author	Σαρλής, Αλέξανδρος	el
dc.date.accessioned	2021-03-18T07:13:41Z
dc.date.available	2021-03-18T07:13:41Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/53079
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.20777
dc.rights	Default License
dc.subject	Σακχαρώδης διαβήτης	el
dc.subject	Γλυκαιμικός ελεγχος	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Ομοσπονδιακή μάθηση	el
dc.subject	Ιδιωτικότητα	el
dc.subject	Diabetes mellitus	en
dc.subject	Glycemic control	en
dc.subject	Machine learning	en
dc.subject	Federated learning	en
dc.subject	Privacy	en
dc.title	Ανάπτυξη μοντέλων ομοσπονδιακής μηχανικής μάθησης για την πρόβλεψη των επιπέδων γλυκόζης σε ατομα με σακχαρώδη διαβήτη τύπου 1	el
dc.contributor.department	Συστημάτων Μετάδοσης Πληροφορίας και Τεχνολογίας Υλικών	el
heal.type	bachelorThesis
heal.classification	Μηχανική Μάθηση	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 σχεδίαση, η ανάπτυξη και η αξιολόγηση μοντέλων πρόβλεψης των επιπέδων γλυκόζης σε άτομα με σακχαρώδη διαβήτη τύπου 1. Τα μοντέλα πρόβλεψης δέχονται ως είσοδο προηγούμενες καταγραφές γλυκόζης, οι οποίες λαμβάνονται από αισθητήρες συνεχούς μέτρησης γλυκόζης στο μεσοκυττάριο υγρό. Εφόσον η διαταραχή του μεταβολισμού της γλυκόζης αποτελεί το κύριο χαρακτηριστικό της νόσου του σακχαρώδους διαβήτη, η ακριβής εκτίμηση του μελλοντικού προφίλ γλυκόζης είναι απαραίτητη για τη διατήρηση των επιπέδων σακχάρου στο αίμα εντός των κλινικά αποδεκτών ορίων και την αποφυγή υπογλυκαιμικών και υπεργλυκαιμικών επεισοδίων. Η τακτική παρακολούθηση της συγκέντρωσης γλυκόζης σε συνδυασμό με την εξωγενή χορήγηση ινσουλίνης, αποτελούν τη βάση του σωστού γλυκαιμικού ελέγχου και προφυλάσσουν τους ασθενείς από πιθανές σοβαρές επιπλοκές της νόσου. Η ανάπτυξη των υπό μελέτη μοντέλων πρόβλεψης των επιπέδων γλυκόζης σε άτομα με σακχαρώδη διαβήτη τύπου 1 βασίζεται στη χρήση τεχνητών νευρωνικών δικτύων και την εφαρμογή εξειδικευμένων τεχνικών ομοσπονδιακής μάθησης. Πρόκειται για μια νέα προσέγγιση στον τομέα της μηχανικής μάθησης, στην οποία δεν απαιτείται συγκέντρωση των δεδομένων εκπαίδευσης στο καθολικό προβλεπτικό μοντέλο. Τα δεδομένα εκπαίδευσης παραμένουν διαρκώς σε συσκευές που βρίσκονται στα άκρα του δικτύου, δηλαδή πλησιέστερα στα υποκείμενα των δεδομένων. Επομένως, η διαδικασία εκπαίδευσης πραγματοποιείται τοπικά με βάση τα αντίστοιχα τοπικά σύνολα δεδομένων. Το καθολικό μοντέλο προκύπτει τελικά από τα επιμέρους τοπικά μοντέλα, χωρίς όμως να έχει άμεση πρόσβαση στα δεδομένα που χρησιμοποιήθηκαν για την εκπαίδευσή τους. Η προσέγγιση αυτή παρουσιάζει σημαντικά οφέλη ως προς τη διαφύλαξη της ιδιωτικότητας, αφού περιορίζει σε μεγάλο βαθμό την ανεπιθύμητη πρόσβαση στα δεδομένα. Για την εκπαίδευση των μοντέλων χρησιμοποιήθηκαν τεχνητά δεδομένα προερχόμενα από το υπολογιστικό περιβάλλον προσομοίωσης UVA/Padova T1DM Simulator, το οποίο έχει λάβει έγκριση από τον FDA για προκλινική δοκιμή νέων στρατηγικών θεραπείας της νόσου του σακχαρώδους διαβήτη τύπου 1. Η αξιολόγηση των μοντέλων βασίστηκε τόσο σε γενικές μετρικές όσο και σε εξειδικευμένα κλινικώς σημαντικά κριτήρια απόδοσης.	el
heal.abstract	The primary focus of the present thesis is the design, development and performance evaluation of models able to predict future glucose levels in patients with type 1 diabetes. These models receive as input previous interstitial fluid glucose records obtained by continuous glucose monitoring sensors. Since impaired glucose metabolism is the main feature of diabetes, accurate estimation of future glucose levels is necessary to maintain blood sugar levels within normal limits and avoid hypoglycemic and hyperglycemic episodes. Regular glucose monitoring, combined with exogenous insulin administration, forms the basis of proper glycemic control and prevents the onset of serious long-term complications. The development of the proposed glucose prediction models is based on the use of artificial neural networks and the application of federated learning techniques. Federated learning is a new approach in the field of machine learning, which does not require the collection of training data in the global prediction model. These data are constantly stored in edge devices located closer to the data subjects. Therefore, the training process is performed locally based on the respective local datasets. The global model is derived from the individual local models, but without direct access to the data used for their training. This approach has great benefits in terms of privacy as it significantly reduces unauthorized access to data. In order to train the models, we used virtual data derived from the UVA/Padova T1DM Simulator, a simulation environment approved by the FDA for preclinical testing of new treatment strategies for type 1 diabetes. The evaluation of the models was performed using both general mathematical metrics and clinical criteria.	en
heal.advisorName	Νικήτα, Κωνσταντίνα	el
heal.committeeMemberName	Νικήτα, Κωνσταντίνα	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας	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	126 σ.	el
heal.fullTextAvailability	false