Πρόβλεψη εμφάνισης στεφανιαίας νόσου με τη χρήση αλγορίθμων μηχανικής μάθησης.

Γαλάτης, Ανδρέας; Galatis, Andreas

dc.contributor.author	Γαλάτης, Ανδρέας	el
dc.contributor.author	Galatis, Andreas	en
dc.date.accessioned	2024-04-24T09:53:33Z
dc.date.available	2024-04-24T09:53:33Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/59276
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.26972
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	Παράγοντες κινδύνου στεφανιαίας νόσου	el
dc.subject	Αλγόριθμοι επιβλεπόμενης μηχανικής μάθησης	el
dc.subject	Προεπεξεργασία δεδομένων	el
dc.subject	Χειρισμός μη ισορροπημένου συνόλου δεδομένων	el
dc.subject	Ερμηνευσιμότητα μοντέλων μηχανικής μάθησης	el
dc.subject	Coronary heart disease risk factors	en
dc.subject	Supervised machine learning algorithms	en
dc.subject	Data preprocessing	en
dc.subject	Handling unbalanced dataset	en
dc.subject	Interpretability of machine learning models	en
dc.title	Πρόβλεψη εμφάνισης στεφανιαίας νόσου με τη χρήση αλγορίθμων μηχανικής μάθησης.	el
dc.title	Prediction of coronary heart disease using machine learning algorithms.	en
heal.type	bachelorThesis
heal.classification	Μηχανική μάθηση	el
heal.classification	Ιατρική	el
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2023-11-07
heal.abstract	Στον τομέα της υγείας, η μηχανική μάθηση έχει σημαντικό ρόλο στην ανάλυση μεγάλου όγκου δεδομένων, βοηθώντας τους επαγγελματίες υγείας στη διάγνωση ή πρόληψη ασθενειών. Οι καρδιαγγειακές παθήσεις είναι χρόνιες ασθένειες µε παγκόσμια εξάπλωση και σοβαρές επιπλοκές για τους πάσχοντες και αποτελούν την κύρια αιτία θανάτου παγκοσμίως. Η συχνότερη μεταξύ αυτών είναι η στεφανιαία νόσος. Με στόχο την πρόβλεψη και κατ’ επέκταση την πρόληψη της εµφάνισης στεφανιαίας νόσου και των επιπλοκών της, στην παρούσα εργασία αναπτύχθηκε ερμηνεύσιμο μοντέλο εκτίµησης του κινδύνου εµφάνισης καρδιακής νόσου με την χρήση αλγορίθμων μηχανικής μάθησης. Χρησιμοποιήθηκαν δεδομένα 319.795 ατόμων που συλλέχθηκαν από το Κέντρο Ελέγχου και Πρόληψης Ασθενειών των Η.Π.Α. (CDC) και περιλαμβάνουν 18 χαρακτηριστικά που σχετίζονται με τη γενική υγεία και τις συνήθειες των συμμετεχόντων. Για την αποτελεσματική διαχείριση της µη ισορροπημένης φύσης των δεδομένων διερευνήθηκαν ποικίλες τεχνικές εξισορρόπησής τους. Η ανάπτυξη του μοντέλου υλοποιήθηκε σε γλώσσα προγραμματισμού Python με χρήση των αλγορίθμων K-Nearest Neighbors, Naive Bayes, Logistic Regression, Decision Tree, Random Forest και Multi-layer Perceptron (MLP). Το κάθε μοντέλο αξιολογήθηκε ως προς τη διακριτική του ικανότητα, ενώ οι μέθοδοι ερμηνευσιμότητας Permutation Feature Importance και LIME προσέφεραν πολύτιμες πληροφορίες για την βαρύτητα κάθε χαρακτηριστικού στην πρόβλεψη. Μεταξύ των ανωτέρω μοντέλων τα καλύτερα αποτελέσματα έδωσαν τα μοντέλα με Logistic Regression, Random Forest και MLP με ευαισθησία 81% και ειδικότητα 72%, 71% και 72% αντίστοιχα.	el
heal.abstract	In the healthcare sector, machine learning has an important role in analyzing big data, helping healthcare professionals to diagnose or prevent diseases. Cardiovascular diseases are chronic diseases with a global prevalence and serious complications for patients and are the leading cause of death worldwide. The most common among them is coronary heart disease. In order to predict and thus prevent the occurrence of coronary artery disease and its complications, an interpretive model for estimating the risk of heart disease using machine learning algorithms was developed in this paper. Data of 319.795 individuals collected from the U.S. Centers for Disease Control and Prevention (CDC) were used regarding 18 characteristics related to the participants' general health and habits. A variety of balancing techniques were explored to effectively manage the unbalanced nature of the data. The model was developed in Python programming language and several supervised learning algorithms were used. Each model was evaluated for its discriminative ability, while the Permutation Feature Importance and LIME interpretability methods provided valuable insights into the weight of each feature in the prediction. Among the models tested, the best results were obtained by the models with Logistic Regression, Random Forest and MLP with sensitivity 81% and specificity 72%, 71% and 72% respectively.	en
heal.advisorName	Ματσόπουλος, Γιώργος	el
heal.committeeMemberName	Ματσόπουλος, Γιώργος	el
heal.committeeMemberName	Παναγόπουλος, Αθανάσιος	el
heal.committeeMemberName	Τσανάκας, Παναγιώτης	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	111 σ.	el
heal.fullTextAvailability	false