dc.contributor.author | Σιάχος, Ιωάννης![]() |
el |
dc.contributor.author | Siachos, Ioannis![]() |
en |
dc.date.accessioned | 2022-07-28T11:20:50Z | |
dc.date.available | 2022-07-28T11:20:50Z | |
dc.identifier.uri | https://dspace.lib.ntua.gr/xmlui/handle/123456789/55527 | |
dc.identifier.uri | http://dx.doi.org/10.26240/heal.ntua.23225 | |
dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση 3.0 Ελλάδα | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc/3.0/gr/ | * |
dc.subject | Σακχαρώδης Διαβήτης Τύπου 2 | el |
dc.subject | Μοντέλα εκτίμησης κινδύνου | el |
dc.subject | Συνελικτικά δίκτυα γράφων | el |
dc.subject | Μη ισορροπημένα δεδομένα | el |
dc.subject | Ερμηνευσιμότητα | el |
dc.subject | Type 2 diabetes mellitus | en |
dc.subject | Risk assessment models | en |
dc.subject | Graph convolutional networks | en |
dc.subject | Unbalanced data | en |
dc.subject | Interpretability | en |
dc.title | Ανάπτυξη ενός μοντέλου εκτίμησης του κινδύνου εμφάνισης καρδιαγγειακής νόσου σε άτομα με Σακχαρώδη Διαβήτη Τύπου 2 βασισμένου σε νευρωνικά δίκτυα γράφων | el |
heal.type | bachelorThesis | |
heal.classification | Μηχανική μάθηση | el |
heal.language | el | |
heal.access | free | |
heal.recordProvider | ntua | el |
heal.publicationDate | 2022-02-28 | |
heal.abstract | Ο Σακχαρώδης Διαβήτης Τύπου 2 (ΣΔΤ2) είναι ο πιο συχνός τύπος Σακχαρώδους Διαβήτη (ΣΔ). Τα άτομα με ΣΔΤ2 εμφανίζουν υψηλότερα ποσοστά θνησιμότητας λόγω καρδιαγγειακής νόσου καθώς έχουν μεγαλύτερη πιθανότητα νόσησης σε σύγκριση με τον γενικό πληθυσμό. Διεθνείς κατευθυντήριες οδηγίες για την διαχείριση του ΣΔ συνηγορούν στην χρήση μοντέλων εκτίμησης του κινδύνου εμφάνισης καρδιαγγειακής νόσου για την έγκαιρη λήψη προληπτικών μέτρων. Παρ’ όλες τις ερευνητικές προσπάθειες που σημειώνονται προς αυτήν την κατεύθυνση, οι μηχανές εκτίμησης του κινδύνου εμφάνισης καρδιαγγειοπάθειας που συνήθως βασίζονται μοντέλα λογιστικής παλινδρόμησης, υποεκτιμούν ή υπερεκτιμούν τον κίνδυνο σε άτομα με ΣΔΤ2. Αντικείμενο της παρούσας διπλωματικής εργασίας είναι η διερεύνηση εφαρμογής ερμηνεύσιμων μεθόδων τεχνητής νοημοσύνης προς την ανάπτυξη ενός αξιόπιστου μοντέλου εκτίμησης του κινδύνου εμφάνισης καρδιαγγειοπάθειας σε άτομα με ΣΔΤ2. Το μοντέλο λαμβάνει ως είσοδο τα στοιχεία του ατόμου με ΣΔΤ2 κατά την πρώτη επίσκεψη στο νοσοκομείο και εξάγει την πιθανότητα εμφάνισης καρδιαγγειακής νόσου σε βάθος πενταετίας. Η ανάπτυξή του έχει βασιστεί στην συνδυασμένη χρήση τεχνητών νευρωνικών δικτύων γράφων και τιμών Shapley από την συνεργατική θεωρία παιγνίων. Συγκεκριμένα, έχει δημιουργηθεί ένας γράφος ασθενών εφαρμόζοντας μια προσαρμοσμένη συνάρτηση απόστασης σε δεδομένα που περιλαμβάνουν πληροφορίες σχετικά με δημογραφικά και σωματομετρικά στοιχεία καθώς και ιατρικού ιστορικού, εργαστηριακών εξετάσεων, τρόπου ζωής και θεραπείας. Ο γράφος εισάγεται σε ένα συνελικτικό δίκτυο γράφων, η αρχιτεκτονική του οποίου διευκολύνει την εφαρμογή τεχνικών αναγνώρισης ανωμαλιών κόμβων για την αντιμετώπιση της μη ισορροπημένης φύσης των διαθέσιμων δεδομένων. Για την ανάπτυξη και την αξιολόγηση χρησιμοποιήθηκαν δεδομένα που παραχωρήθηκαν από το Ιπποκράτειο Γενικό Νοσοκομείο Αθηνών και αντιστοιχούν στην πενταετή παρακολούθηση 560 ατόμων με ΣΔΤ2. Για την ερμηνεία των προβλέψεων του μοντέλου σε επίπεδο πληθυσμού χρησιμοποιήθηκε η μέθοδος Kernel SHAP ενώ για την ερμηνεία των προβλέψεων του μοντέλου σε επίπεδο ασθενούς χρησιμοποιήθηκε η μέθοδος GraphSVX. Το μοντέλο αξιολογήθηκε τόσο ως προς την προβλεπτική του ικανότητα όσο και ως προς την ικανότητα του να παράγει ερμηνεύσιμες προβλέψεις. | el |
heal.abstract | Type 2 Diabetes Mellitus (T2DM) is the most common type of Diabetes Mellitus. Patients with T2DM have higher rates of mortality due to cardiovascular diseases (CVD) since they are more likely than the general population to develop CVD. International guidelines for the management of DM advocate utilizing CVD risk prediction engines towards identifying and initiating appropriate preventive measures. Although several CVD risk prediction models based on logistic regression have been developed, these models usually either under- or over- estimate the CVD risk in people with T2DM. The aim of this thesis is to investigate the use of explainable artificial intelligence methods towards the development of a reliable and accurate CVD risk prediction model for patients with T2DM. The model receives as input the patient's information at the baseline (first screening visit) and produces the 5 year risk of developing CVD. Its development has been based on the combined use of graph neural networks and Shapley values from cooperative game theory. More specifically, a patient graph has been constructed by applying an distance function on data related to demographics, somatometrics medical history, laboratory exams, lifestyle and treatment information. Aiming at addressing the unbalanced nature of the available dataset, a graph convolutional network has been considered, facilitating the identification of anomalous nodes. For the development and evaluation of the model, data granted from the Hippokrateion General Hospital of Athens corresponding to the five-year follow-up of 560 T2DM patients have been utilized. The Kernel SHAP method and the GraphSVX method have been applied to generate interpretations on the model predictions at the population level and the patient level, respectively. The model has been evaluated for its predictive capability, as well as its ability to produce interpretable predictions. | en |
heal.advisorName | Νικήτα, Κωνσταντίνα | el |
heal.committeeMemberName | Νικήτα, Κωνσταντίνα | el |
heal.committeeMemberName | Σταφυλοπάτης, Ανδρέας-Γεώργιος | 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 | 103 σ. | el |
heal.fullTextAvailability | false |
Οι παρακάτω άδειες σχετίζονται με αυτό το τεκμήριο: