Ανάλυση επιβίωσης σε περιπτώσεις ιατρικής χρήσης: μια προσέγγιση με στατιστικά μοντέλα και μοντέλα μηχανικής μάθησης

Κατάρα, Σωτηρία Μαρία; Katara, Sotiria Maria

dc.contributor.author	Κατάρα, Σωτηρία Μαρία	el
dc.contributor.author	Katara, Sotiria Maria	en
dc.date.accessioned	2024-07-08T12:26:20Z
dc.date.available	2024-07-08T12:26:20Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/59831
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.27527
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) "Επιστήμη Δεδομένων και Μηχανική Μάθηση"	el
dc.rights	Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nd/3.0/gr/	*
dc.subject	Survival Analysis	en
dc.subject	Balancing techniques	en
dc.subject	Machine Learning Models	en
dc.subject	Generative Modeling	en
dc.subject	Ανάλυση επιβίωσης	el
dc.subject	Τεχνικές Ισορροπίας	el
dc.subject	Μοντέλα Μηχανικής Μάθησης	el
dc.subject	Γενετική Μοντελοποίηση	el
dc.subject	Ιατρικές περιπτώσεις χρήσεις	el
dc.subject	Μedical use cases	en
dc.title	Ανάλυση επιβίωσης σε περιπτώσεις ιατρικής χρήσης: μια προσέγγιση με στατιστικά μοντέλα και μοντέλα μηχανικής μάθησης	el
dc.title	Survival analysis on medical use cases: an approach with statistical and machine learning models	en
heal.type	masterThesis
heal.classification	Επιστήμη Δεδομένων	el
heal.classification	Data Science	en
heal.language	en
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2024-03-26
heal.abstract	This thesis presents a comprehensive exploration of survival prediction across three critical medical conditions: lung cancer, heart failure, and retinopathy. Leveraging ad- vanced machine learning models, namely Light Gradient Boosting Machine (LGBM), Ran- dom Forest and XGBoost, this research innovatively predicts survival outcomes, offer- ing vital insights into patient prognostics and care strategies. Survival probabilities are meticulously analyzed using the Cox Proportional Hazards model and the Kaplan-Meier estimator, providing a robust statistical foundation for understanding the dynamics of patient survival rates. Addressing the challenge of limited real-world data, this study employs Generative Adversarial Networks (GANs) to augment the datasets, ensuring a broader and more com- prehensive analysis. Additionally, to counteract the issue of data imbalance—a common hurdle in medical dataset analysis—this work integrates sophisticated balancing tech- niques, including Random Under-Sampling Ensemble (RENN) and Adaptive Synthetic Sampling (Adasyn). These methods enhance the predictive models’ accuracy and reliabil- ity, ensuring a more equitable representation of patient cohorts. Through a multidisciplinary approach that combines cutting-edge machine learning techniques with traditional statistical models, this thesis contributes significantly to the field of medical research. By providing accurate survival predictions and deep insights into the factors influencing patient outcomes, this research has the potential to inform clinical decisions, personalize treatment plans, and ultimately improve the quality of life for patients suffering from lung cancer, heart failure, and retinopathy.	en
heal.abstract	Η παρούσα διπλωματική εργασία παρουσιάζει μια εξονυχιστική εξερεύνηση της πρόβ- λεψης επιβίωσης σε τρεις κρίσιμες ιατρικές καταστάσεις: καρκίνο του πνεύμονα, καρδιακή ανεπάρκεια και ρετινοπάθεια. Εκμεταλλευόμενη προηγμένα μοντέλα μηχανικής μάθησης, ονομαστικά το Light Gradient Boosting Machine (LGBM), το Random Forest και το XG- boost, η έρευνα αυτή προβλέπει καινοτόμα τα αποτελέσματα επιβίωσης, προσφέροντας Σωτικής σημασίας διορατικότητα στην πρόγνωση και τις στρατηγικές φροντίδας των ασθενών. Οι πιθανότητες επιβίωσης αναλύονται με μεγάλη προσοχή χρησιμοποιώντας το μοντέλο Cox Proportional Hazards και τον εκτιμητή Kaplan-Meier, παρέχοντας μια στέρεη στατιστική βάση για την κατανόηση των δυναμικών των ποσοστών επιβίωσης των ασθενών. Αντιμετωπίζοντας την πρόκληση των περιορισμένων πραγματικών δεδομένων, η μελέτη αυτή χρησιμοποιεί ∆ίκτυα Παραγωγικής Αντίθεσης (GANs) για να επαυξήσει τα σύνολα δε- δομένων, εξασφαλίζοντας μια ευρύτερη και πιο περιεκτική ανάλυση. Επιπλέον, για να αν- τιμετωπιστεί το Σήτημα της ανισορροπίας των δεδομένων - ένα συνηθισμένο εμπόδιο στην ανάλυση ιατρικών συνόλων δεδομένων - αυτή η εργασία ενσωματώνει περίπλοκες τεχνικές ισορροπίας, συμπεριλαμβανομένων του Random Under-Sampling Ensemble (RENN) και του Adaptive Synthetic Sampling (Adasyn). Αυτές οι μέθοδοι βελτιώνουν την ακρίβεια και την αξιοπιστία των προβλεπτικών μοντέλων, εξασφαλίζοντας μια πιο δίκαιη αναπαράσταση των ομάδων ασθενών. Μέσω μιας διεπιστημονικής προσέγγισης που συνδυάζει τεχνολογίες προηγμένης μηχανι- κής μάθησης με παραδοσιακά στατιστικά μοντέλα, αυτή η διατριβή συνεισφέρει σημαντικά στον τομέα της ιατρικής έρευνας. Παρέχοντας ακριβείς προβλέψεις επιβίωσης και βαθιές διορατικότητες στους παράγοντες που επηρεάζουν τα αποτελέσματα των ασθενών, αυτή η έρευνα έχει το δυναμικό να ενημερώσει τις κλινικές αποφάσεις, να προσωποποιήσει τα σχέ- δια θεραπείας και τελικά να βελτιώσει την ποιότητα Σωής των ασθενών που υποφέρουν από καρκίνο του πνεύμονα, καρδιακή ανεπάρκεια και διαβητική ρετινοπάθεια.	el
heal.advisorName	Βουλόδημος, Αθανάσιος	el
heal.committeeMemberName	Βουλόδημος, Αθανάσιος	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	114 σ.	el
heal.fullTextAvailability	false