Πρόβλεψη εξάρσεων του ιού του Δυτικού Νείλου βάσει περιβαλλοντικών παραμέτρων με την χρήση μηχανικής μάθησης

Τσόλιας, Εμμανουήλ; Tsolias, Emmanouil

dc.contributor.author	Τσόλιας, Εμμανουήλ	el
dc.contributor.author	Tsolias, Emmanouil	en
dc.date.accessioned	2023-02-02T10:01:28Z
dc.date.available	2023-02-02T10:01:28Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/57046
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.24744
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Μηχανική Μάθηση	el
dc.subject	XGBoost	en
dc.subject	Πρόβλεψη	el
dc.subject	Ιός του Δυτικού Νείλου	el
dc.subject	Έξαρση	el
dc.subject	Κλιματικά δεδομένα	el
dc.title	Πρόβλεψη εξάρσεων του ιού του Δυτικού Νείλου βάσει περιβαλλοντικών παραμέτρων με την χρήση μηχανικής μάθησης	el
heal.type	bachelorThesis
heal.classification	Μηχανική Μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-11-14
heal.abstract	Σύμφωνα με τον Παγκόσμιο Οργανισμό Υγείας, οι μεταδιδόμενες από φορείς ασθένειες προκαλούν περισσότερους από 700.000 θανάτους τον χρόνο, καθώς και αρκετά εκατομμύρια νοσήσεις παγκοσμίως. Ως ‘φορείς’ ορίζονται ζωντανοί οργανισμοί που δύνανται να μεταφέρουν μολυσματικά παθογόνα μεταξύ ανθρώπων ή από κάποιο ζώο προς τον άνθρωπο. Αυτά τα παθογόνα μπορούν να είναι παράσιτα, ιοί ή βακτήρια που προκαλούν ασθένειες όπως η ελονοσία και ο κίτρινος πυρετός. Συνήθως υπάρχουν σε ένα ποσοστό του πληθυσμού σε μόνιμη κατάσταση αλλά συχνά εμφανίζονται μέσω εξάρσεων που κατακλύζουν το σύστημα προκαλώντας θανάτους, χρόνια προβλήματα υγείας και ενίοτε κοινωνικό στίγμα. Καθώς η κατανομή αυτών των ασθενειών συσχετίζεται με παραμέτρους όπως το κλίμα, οι οικονομικές συνθήκες και τα δημογραφικά χαρακτηριστικά, πολλές ασθένειες περιορίζονται εκ των πραγμάτων σε συγκεκριμένες γεωγραφικές περιοχές. Ωστόσο η κλιματική αποσταθεροποίηση έχει δημιουργήσει πρόσφορες συνθήκες για την εγκατάσταση και εξάπλωση αρκετών ασθενειών σε νέες περιοχές όπου οι ιστορικά οι περιβαλλοντικές παράμετροι δεν ευνοούσαν -ή ακόμα και δεν επέτρεπαν- την παρουσία τους. Επιπροσθέτως, η ραγδαία αύξηση της μετακίνησης τόσο ανθρώπων όσο και εμπορευμάτων έχει προκαλέσει την εισαγωγή διάφορων παθογόνων σε χώρες που ιστορικά δεν υπήρχε παρουσία. Ένα παράδειγμα τέτοιας ασθένειας που έχει απασχολήσει την ιατρική κοινότητα είναι αυτό του ιού του Δυτικού Νείλου. Πρόκειται για έναν ιό που στην γενική περίπτωση προκαλεί παρόμοια συμπτωματολογία με αυτή της κοινής γρίπης, αλλά σε ένα μικρό ποσοστό του πληθυσμού μπορεί να προκαλέσει εγκεφαλίτιδα ή μηνιγγίτιδα, και τελικά θάνατο. Ο συγκεκριμένος ιός που για πρώτη φορά ανιχνεύθηκε το 1936 στην Ουγκάντα, έχει επεκταθεί λόγω όσων αναφέραμε σε όλες σχεδόν τις ηπείρους, με χαρακτηριστική την εισαγωγή στις ΗΠΑ το 1999 όπου πλέον αποτελεί την κύρια ασθένεια με φορέα τα κουνούπια. Ακόμα έχει ισχυρή παρουσία σε χώρες της ανατολικής, νότιας και δυτικής Ευρώπης όπου εμφανίζεται κατά κύματα τους θερινούς μήνες. Η Ελλάδα ανήκει στις χώρες με τα εντονότερα καταγεγραμμένα ξεσπάσματα με χιλιάδες κρούσματα σε ανθρώπους και ιπποειδή. Προς το παρόν, δεν υπάρχουν αποτελεσματικές θεραπείες αλλά ούτε και εμβόλια για τον συγκεκριμένο ιό. Καθώς τα μέσα για την αντιμετώπιση της νόσου είναι ανεπαρκή και το κόστος στον άνθρωπο μεγάλο, προκύπτει η ανάγκη για την ανάπτυξη εργαλείων έγκαιρης προειδοποίησης. Η υψηλή συσχέτιση των εξάρσεων του ιού με τις εκάστοτε κλιματικές παραμέτρους υποδεικνύει μια πιθανή βάση των προβλεπτικών μοντέλων. Στο παρόν πόνημα επιχειρείται η ανάπτυξη ενός τέτοιου εργαλείου που αξιοποιεί τα κλιματικά δεδομένα της Ελλάδας, ανά δήμο, μέσω ενός μοντέλου μηχανικής μάθησης, του αλγορίθμου XGBoost, με σκοπό την πρόβλεψη επερχόμενων εξάρσεων του ιού του Δυτικού Νείλου.	el
heal.abstract	According to the World Health Organization, vector-borne diseases cause more than 700,000 deaths worldwide and sicken millions of people. The term ‘vector’ refers to any organism that can transmit infectious pathogens between humans, or from animals to humans. These pathogens can be viruses, bacteria, and parasites that cause diseases like malaria and yellow fever. Usually, a fraction of the population is infected at any time but its often the case that outbreaks occur, which then overwhelm the healthcare system causing deaths, lifelong conditions and even stigmatization. As the distribution of these diseases depends on climatic, economic, and demographic factors many diseases were constrained to certain geographic regions. However, climate destabilization has altered the weather characteristics of many regions in a way that infestation is no longer hindered. Additionally, the interconnected global economy results in people, as well as products, being transported at an unprecedented scale which in turn facilitates the spread of diseases. One such disease that has raised concern among the medical community is the West Nile Virus. While this virus will typically cause only mild symptoms, a small fraction of patients presents with severe neuroinvasive disease such as encephalitis or meningitis which occasionally result in death. It was first isolated in Uganda in 1937 but is now present every continent except Antarctica. One characteristic example of its expansive potential is the USA spillover where it is now the leading cause of mosquito-borne diseases. Similarly, many countries of east, south and west Europe now report seasonal outbreaks during the summer months. Greece has recorded some of the most severe outbreaks with high number of human as well as animal cases. As of now, no effective treatment or vaccine is available. Since the therapeutic means are limited and the toll in human life and well-being is so high, it follows that prevention is of essence. This can be achieved through the development of early warning systems. The high correlation between outbreaks and climatic features points to a promising basis for the predictive models. In this exercise we attempt to develop a predictive tool that utilizes the climatic data of Greece at a municipal level, through the XGBoost machine learning algorithm, in order to predict coming outbreaks of the West Nile Virus	en
heal.advisorName	Κόλλιας, Στέφανος	el
heal.committeeMemberName	Στάμου, Γιώργος	el
heal.committeeMemberName	Βουλόδημος, Αθανάσιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	64 σ.	el
heal.fullTextAvailability	false