Ανάπτυξη κλινικού συστήματος υποστήριξης απόφασης για τη διάγνωση της καρδιακής στεφανιαίας νόσου

Πολυέζος, Κωνσταντίνος

dc.contributor.advisor	Μαστοροκώστας, Πάρις
dc.contributor.author	Πολυέζος, Κωνσταντίνος
dc.date.accessioned	2021-12-23T07:39:42Z
dc.date.available	2021-12-23T07:39:42Z
dc.date.issued	2021-12-08
dc.identifier.uri	https://polynoe.lib.uniwa.gr/xmlui/handle/11400/1635
dc.identifier.uri	http://dx.doi.org/10.26265/polynoe-1486
dc.description.abstract	Η αρτηριακή αποφρακτική νόσος, που συναντάται σε διάφορες μορφές, είναι στις μέρες μας η μεγαλύτερη αιτία θανάτου στις αναπτυγμένες χώρες. Η απόφραξη των αγγείων-αρτηριών οφείλεται σε μεγάλο ποσοστό στη δημιουργία της αθηρωματικής πλάκας. Ο προσδιορισμός και ο εντοπισμός της προδιάθεσης της αθηροσκλήρωσης αποτελεί πάρα πολύ σημαντικό βήμα για τη πρόληψη της αρτηριακής αποφρακτικής νόσου και συνεπώς την ελάττωση της νοσηρότητας και θνησιμότητας από αυτήν. Σκοπός της εργασίας είναι η ανάπτυξη ενός συστήματος υποβοήθησης διάγνωσης της αθηρωματικής νόσου, το οποίο βασίστηκε σε αλγόριθμους Μηχανικής Μάθησης. Προς την κατεύθυνση αυτή, το σύνολο της μεταπτυχιακής εργασίας επικεντρώθηκε στην αξιολόγηση της συνεισφοράς πέντε τεχνικών Μηχανικής Μάθησης (Λογιστικής Παλινδρόμησης, Μηχανών Διανυσματικής Υποστήριξης, Απλού Μπέυζ ταξινομητή, Πολυεπίπεδου Νευρωνικού Δικτύου Perceptron-MLP, Δέντρων Απόφασης) για τη κατασκευή ενός αυτοµατοποιηµένου συστήµατος πρόγνωσης της καρδιακής αρτηριακής αποφρακτικής νόσου. Για το σκοπό αυτό, με τη βοήθεια της γλώσσας προγραμματισμού ανοικτού κώδικα R, συγκρίθηκαν οι πέντε αλγόριθµοι με βάση το πλαίσιο δεδομένων Statlog (Heart) και αντιπαραβλήθηκαν τα αποτελέσματα των πέντε μεθόδων. Στη συνέχεια, στα πλαίσια της υλοποίησης ενός συστήματος υποστήριξης απόφασης, σχεδιάστηκε και η αντίστοιχη διαδραστική web εφαρμογή με τη βοήθεια της πλατφόρμας R Shiny. Τα αποτελέσματα της επικύρωσης των μοντέλων, ανέδειξαν την υπεροχή του Νευρωνικού Δικτύου Perceptron με μέθοδο βελτιστοποίησης την αποσύνθεση βαρών (weight decay). Με αυτή τη πλέον πρόσφορη επιλογή αλγορίθμου, υλοποιήθηκε το κλινικό σύστημα υποστήριξης απόφασης για τη διάγνωση της καρδιακής ισχαιμικής νόσου. Στο τελευταίο μέρος της εργασίας συνοψίζονται τα αποτελέσματα της μελέτης και επιχειρείται η ερμηνεία τους.	el
dc.format.extent	127	el
dc.language.iso	el	el
dc.publisher	Πανεπιστήμιο Δυτικής Αττικής	el
dc.rights	Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές	*
dc.rights	Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/	*
dc.subject	Καρδιακές παθήσεις	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Συστήματα υποστήριξης απόφασης	el
dc.subject	Στεφανιαία νόσος	el
dc.subject	Τεχνητή νοημοσύνη	el
dc.subject	R	el
dc.title	Ανάπτυξη κλινικού συστήματος υποστήριξης απόφασης για τη διάγνωση της καρδιακής στεφανιαίας νόσου	el
dc.title.alternative	Development of a clinical decision support system for the diagnosis of coronary heart disease	el
dc.type	Μεταπτυχιακή διπλωματική εργασία	el
dc.contributor.committee	Skourlas, Christos
dc.contributor.committee	Πρεζεράκος, Γεώργιος
dc.contributor.faculty	Σχολή Μηχανικών	el
dc.contributor.department	Τμήμα Μηχανικών Πληροφορικής και Υπολογιστών	el
dc.contributor.master	Επιστήμη και Τεχνολογία της Πληροφορικής και των Υπολογιστών	el
dc.description.abstracttranslated	Obstructive arterial disease, which exists in various forms, is now the leading cause of death in developed countries. The blockage of the arteries is due to a large percentage of the formation of atherosclerotic plaque. Determining and locating the predisposition to atherosclerosis is a very important step in the prevention of arterial occlusive disease and therefore the reduction of morbidity and mortality from it. The aim of this thesis is to develop a system to assist in the diagnosis of atherosclerotic disease, which was based on Machine Learning algorithms. Based on the above, this thesis focused on the evaluation of the contribution of five Machine Learning Techniques (Logistic regression, Support Vector Machines, Naive Bayes classificatior, Perceptron-MLP Multilevel Neural Network, Decision Trees) for the construction of an automated system for the prevention of coronary artery disease. For this purpose, with the help of the open source programming language R, the five algorithms were compared based on the Statlog (Heart) dataset and the results of the five methods were compared. Consequently, in the context of the implementation of a decision support system, the corresponding interactive web application was designed with the help of the R Shiny platform.The results of the validation of the models showed the superiority of the Perceptron Neural Network with weight decay regularization technique. With this most convenient algorithm option, the clinical decision support system for the diagnosis of ischemic heart disease was implemented. In the last part of the thesis, the results of the study are summarized and their interpretation is attempted.	el

Αρχεία σε αυτό το τεκμήριο

Όνομα:: POLYEZOS KEIMENO.pdf
Μέγεθος:: 3.120Mb
Τύπος:: PDF
Περιγραφή:: Μεταπτυχιακή Διατριβή Πολυέζου ...

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Μεταπτυχιακές διπλωματικές εργασίες - Επιστήμη και Τεχνολογία της Πληροφορικής και των Υπολογιστών
Μεταπτυχιακές διπλωματικές εργασίες ΠΜΣ Επιστήμη και Τεχνολογία της Πληροφορικής και των Υπολογιστών

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές

Εκτός από όπου επισημαίνεται κάτι διαφορετικό, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές