Ανάπτυξη μεθόδων μηχανικής μάθησης για την εκτίμηση της σοβαρότητας της ρευματοειδούς αρθρίτιδας

Σφοντούρη, Λυδία; Sfontouri, Lydia

dc.contributor.author	Σφοντούρη, Λυδία	el
dc.contributor.author	Sfontouri, Lydia	en
dc.date.accessioned	2022-11-16T09:48:49Z
dc.date.available	2022-11-16T09:48:49Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/56145
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.23843
dc.rights	Default License
dc.subject	Rheumatoid arthritis	en
dc.subject	Machine learning	en
dc.subject	Clustering	en
dc.subject	RA severity prediction models	en
dc.subject	Ρευματοειδής αρθρίτιδα	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Συσταδοποίηση	el
dc.subject	Κατηγοριοποίηση	el
dc.subject	Μοντέλα πρόβλεψης της σοβαρότητας	el
dc.title	Ανάπτυξη μεθόδων μηχανικής μάθησης για την εκτίμηση της σοβαρότητας της ρευματοειδούς αρθρίτιδας	el
heal.type	bachelorThesis
heal.classification	Μηχανική Μάθηση, Βιοϊατρική Τεχνολογία	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-06-29
heal.abstract	H μηχανική μάθηση είναι ένα πεδίο της τεχνητής νοημοσύνης το οποίο εφαρμόζεται όλο και περισσότερο στην ιατρική για την υποστήριξη τόσο των ασθενών όσο και των γιατρών. Τα εκτενή ψηφιοποιημένα σύνολα δεδομένων που είναι πλέον διαθέσιμα παρέχουν την βάση για την χρήση αλγορίθμων μηχανικής μάθησης προκειμένου να δημιουργηθούν μοντέλα που εκπαιδεύονται με τα δεδομένα και παράγουν καινούργια γνώση. Στην παρούσα διπλωματική εργασία χρησιμοποιήθηκαν δημογραφικά, κλινικά, εργαστηριακά και περιβαλλοντικά δεδομένα καθώς και πληροφορίες σχετικά με τη θεραπευτική αγωγή και τις συννοσηρότητες, από μια βάση δεδομένων τριακοσίων (300) ασθενών με ρευματοειδή αρθρίτιδα (ΡΑ) που προέρχεται από τα αρχεία ασθενών των ρευματολογικών κλινικών των νοσοκομείων Ευαγγελισμός και Λαϊκό Νοσοκομείο Αθηνών. Στόχος της εργασίας είναι η ανάπτυξη μοντέλων μηχανικής μάθησης για την εκτίμηση της σοβαρότητας της νόσου, με σκοπό τη διερεύνηση της δυνατότητας ανάπτυξης στο μέλλον ενός νέου δείκτη προσδιορισμού της σοβαρότητας της ΡΑ στους ασθενείς. Στο πλαίσιο της παρούσας εργασίας, αναπτύχθηκαν πέντε μοντέλα μηχανικής μάθησης τα οποία εκπαιδεύτηκαν και ελέγχθηκαν με το διαθέσιμο σύνολο δεδομένων. Η επικύρωση των μοντέλων βασίστηκε στην «εκτίμηση σοβαρότητας» (Severity) που παράχθηκε από ειδικούς ρευματολόγους για κάθε ασθενή. Οι αλγόριθμοι που χρησιμοποιήθηκαν στο πλαίσιο της παρούσας εργασίας περιελάμβανουν αλγορίθμους συσταδοποίησης μη εποπτευόμενης μάθησης (kmeans, kmedoids, GaussianMixture) και τον αλγόριθμο εποπτευόμενης μάθησης K- nearest neighbors (ΚΝΝ). Σύμφωνα με τη συγκριτική αξιολόγηση των αποτελεσμάτων που παρήχθησαν, το μοντέλο KNN πέτυχε την υψηλότερη ακρίβεια (90%). Οι σημαντικότερες μεταβλητές για την εκτίμηση της σοβαρότητας στο δείγμα ασθενών που εξετάστηκε περιλαμβάνουν τις εξής: Sharp-Score (αξιολόγηση ακτινολογικών ευρημάτων), Duration (διάρκεια νόσου), HLA-DRB1 (λευκοκυτταρικό αντιγόνο), CCP (αντισώματα ορού έναντι κιτρουλίνης) και RF (ρευματοειδή παράγοντα). Τα αποτελέσματα της εργασίας υποδεικνύουν ότι τα μοντέλα μηχανικής μάθησης για την εκτίμηση της σοβαρότητας της ΡΑ που αναπτύχθηκαν είναι αξιόπιστα, παράγουν ακριβείς εκτιμήσεις και θα μπορούσαν να αξιοποιηθούν για την υλοποίηση μιας εφαρμογής λογισμικού που θα είναι χρήσιμη στον ειδικό γιατρό παρέχοντας έναν αξιόπιστο δείκτη της σοβαρότητας της ΡΑ.	el
heal.advisorName	Νικήτα, Κωσταντίνα	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας- 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	213 σ.	el
heal.fullTextAvailability	false