Ανάπτυξη διαδικτυακά προσβάσιμης εφαρμογής για την διαχείριση του Σακχαρώδους Διαβήτη Τύπου 2

Πολίτης, Ηλίας; Politis, Ilias

dc.contributor.author	Πολίτης, Ηλίας	el
dc.contributor.author	Politis, Ilias	en
dc.date.accessioned	2022-11-02T07:18:57Z
dc.date.available	2022-11-02T07:18:57Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/56059
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.23757
dc.rights	Αναφορά Δημιουργού - Παρόμοια Διανομή 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-sa/3.0/gr/	*
dc.subject	Software	en
dc.subject	Λογισμικό	el
dc.subject	Diabetes	en
dc.subject	Internet	en
dc.subject	Doctor	en
dc.subject	Webapp	en
dc.subject	Διαβήτης	el
dc.subject	Διαδίκτυο	el
dc.subject	Ιατρός	el
dc.subject	Εφαρμογή	el
dc.title	Ανάπτυξη διαδικτυακά προσβάσιμης εφαρμογής για την διαχείριση του Σακχαρώδους Διαβήτη Τύπου 2	el
heal.type	bachelorThesis
heal.classification	Software engineering	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-06-01
heal.abstract	Αντικείμενο της παρούσας διπλωματικής εργασίας αποτελεί η σχεδίαση και η ανάπτυξη υπολογιστικού συστήματος υποστήριξης κλινικών αποφάσεων για την διαχείριση του Σακχαρώδους Διαβήτη Τύπου 2 (ΣΔΤ2). Το σύστημα απευθύνεται σε ειδικούς επαγγελματίες υγείας που παρακολουθούν άτομα με ΣΔΤ2. Ο καθορισμός των λειτουργικών προδιαγραφών πραγματοποιήθηκε σε συνεργασία με τους επαγγελματίες υγείας ώστε να εξασφαλίζεται η χρηστικότητά του. Το σύστημα υλοποιήθηκε ως διαδικτυακή εφαρμογή για λόγους εύκολης προσβασιμότητας. Παρέχει δυνατότητες εισαγωγής πληροφοριών σχετικών με κλινικά, δημογραφικά, σωματομετρικά, ιατρικού ιστορικού, θεραπείας και εργαστηριακά δεδομένα προσφέροντας ταυτόχρονα εργαλεία απεικόνισης των δεδομένων τόσο σε επίπεδο πληθυσμού ασθενών όσο και σε επίπεδο ασθενούς. Επιπλέον, διαθέτει εργαλεία βασικής στατιστικής ανάλυσης των δεδομένων και προηγμένα φίλτρα για τον εντοπισμό ασθενών που πληρούν συγκεκριμένα κριτήρια. Ο επαγγελματίας υγείας έχει την δυνατότητα να δημιουργήσει φόρμες με συγκεκριμένες ερωτήσεις για την συλλογή επιπλέον δεδομένων. Παράλληλα, έχουν αναπτυχθεί μηχανισμοί διασύνδεσης του συστήματος με ερμηνεύσιμα μοντέλα εκτίμησης του κινδύνου εμφάνισης επιπλοκών του ΣΔΤ2. Για την ανάπτυξη του συστήματος επιλέχθηκαν κάποιες από τις επικρατέστερες τεχνολογίες και γλώσσες προγραμματισμού. Συγκεκριμένα, το διαχειριστικό περιβάλλον (frontend) βασίστηκε στο framework ReactJS της javascript συμπεριλαμβανομένης της επέκτασης React-Redux για την διαχείριση των δεδομένων. Το ενδιάμεσο πρόγραμμα (backend) είναι υπεύθυνο για την εξυπηρέτηση των αιτημάτων του frontend από και προς την βάση δεδομένων. Για το backend χρησιμοποιήθηκε το framework Django της Python ενώ η διασύνδεση με τα ερμηνεύσιμα μοντέλα εκτίμησης του κινδύνου εμφάνισης επιπλοκών βασίστηκε στην γλώσσα προγραμματισμού Python. Η επικοινωνία μεταξύ όλων των επιμέρους συστημάτων της εφαρμογής πραγματοποιείτε σύμφωνα με την αρχιτεκτονική RESTful API. Επιπλέον εφαρμόστηκε η τεχνολογία Docker, η οποία καθιστά δυνατή την ανάπτυξη της εφαρμογής σε οποιοδήποτε λειτουργικό σύστημα τύπου Unix ή Windows, ανεξαρτήτως από την κατάσταση και τους περιορισμούς του, εκτελώντας σε όλες τις περιπτώσεις, την ίδια συγκεκριμένη διαδικασία. Τέλος, για την βάση αποθήκευσης των δεδομένων χρησιμοποιήθηκε η PostgreSQL, ωστόσο υποστηρίζεται οποιαδήποτε βάση τύπου SQL.	el
heal.abstract	The present thesis aims at the design and development of a computational clinical decision support system for the management of Diabetes Mellitus Type 2 (DMT2). The system targets healthcare professionals who monitor patients with T2DM. The user requirements collection and system’s functional specifications has been conducted in close collaboration with the health professionals in order to ensure its usefulness and usability. It has been implemented as a web application facilitating easy accessibility while enabling the entering of clinical, demographic, somatometric, medical history, treatment, and laboratory data and providing data visualization tools at an individual and population level. In addition, it incorporates basic statistical data analysis tools and advanced filters to identify patients who meet specific criteria. The healthcare professional also has the ability to create customized forms involving specific questions facilitating thus the collection of more data. The system includes mechanisms to integrate complications risk prediction models that are based on Artificial Intelligence. The implementation of the system is based on some of the most prevalent technologies and programming languages. In particular, Javascript's ReactJS framework has been used for the management environment (frontend) along with the React-Redux extension for data management. The backend is responsible for serving frontend requests to and from the database. Python's Django framework has been used for the backend. The Python programming language has also been applied to interface with the risk prediction models. The RESTful API architecture has been utilized as a communication framework among all the components. Docker technology has also been deployed, in order to achieve interoperability. Finally, the database is based on PostgreSQL, yet any SQL database can be supported.	en
heal.advisorName	Νικήτα, Κωνσταντίνα	el
heal.advisorName	Nikita, Konstantina	en
heal.committeeMemberName	Νικήτα, Κωνσταντίνα	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.committeeMemberName	Στάμου, Γιώργος	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	61 σ.	el
heal.fullTextAvailability	false