Ο ρόλος της μηχανικής μάθησης στην πρόβλεψη νευρολογικών αποτελεσμάτων από δεδομένα ενδοεγχειρητικής νευροπαρακολούθησης

Πρίλο, Γιωργάκη

dc.contributor.advisor	Asvestas, Pantelis
dc.contributor.author	Πρίλο, Γιωργάκη
dc.date.accessioned	2024-10-15T06:54:40Z
dc.date.available	2024-10-15T06:54:40Z
dc.date.issued	2024-10-03
dc.identifier.uri	https://polynoe.lib.uniwa.gr/xmlui/handle/11400/7722
dc.identifier.uri	http://dx.doi.org/10.26265/polynoe-7554
dc.description.abstract	Η ενσωμάτωση της μηχανικής μάθησης (ML) στην διεγχειρητική νευροπαρακολούθηση (IONM) αποτελεί σημαντική πρόοδο στη χειρουργική ασφάλεια και τα αποτελέσματα των ασθενών. Η παρούσα διατριβή διερευνά την εφαρμογή διαφόρων τεχνικών ML, συμπεριλαμβανομένων των KNN, SVM, λογιστικής παλινδρόμησης, naive Bayes και νευρωνικών δικτύων, για την ενίσχυση της ταξινόμησης και της ανάλυσης των νευροφυσιολογικών σημάτων κατά τη διάρκεια της χειρουργικής επέμβασης. Οι πρωταρχικοί στόχοι ήταν η ανάπτυξη και αξιολόγηση μοντέλων ML για την ταξινόμηση σημάτων, η σύγκριση της απόδοσης των διαφόρων αλγορίθμων και η βελτιστοποίηση των μεθόδων επιλογής χαρακτηριστικών. Η μεθοδολογία μας περιελάμβανε εκτεταμένη προεπεξεργασία δεδομένων, εξαγωγή χαρακτηριστικών και cross validation για να διασφαλιστεί η ευελιξία του μοντέλου.Τα αποτελέσματα έδειξαν ότι το μοντέλο νευρωνικού δικτύου, σε συνδυασμό με προηγμένες τεχνικές επιλογής χαρακτηριστικών, πέτυχε την υψηλότερη ακρίβεια, precision, ανάκληση και F1-score, ξεπερνώντας τις παραδοσιακές μεθόδους. Τα ευρήματα αυτά υποδηλώνουν ότι η ενισχυμένη με ML IONM μπορεί να μειώσει σημαντικά τον κίνδυνο μετεγχειρητικών νευρολογικών επιπλοκών παρέχοντας σε πραγματικό χρόνο ακριβείς εκτιμήσεις της νευρικής ακεραιότητας κατά τη διάρκεια της χειρουργικής επέμβασης. Η μελέτη υπογραμμίζει τη δυνατότητα του ML να φέρει επανάσταση στην IONM, προσφέροντας ένα ισχυρό εργαλείο για τη βελτίωση των χειρουργικών αποτελεσμάτων και της ασφάλειας των ασθενών.	el
dc.format.extent	110	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.uri	https://creativecommons.org/licenses/by-nc-sa/4.0/deed.el	*
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Ηλεκτρομυογράφημα	el
dc.subject	Νευροπαρακολούθηση	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Ανάλυση σημάτων	el
dc.title	Ο ρόλος της μηχανικής μάθησης στην πρόβλεψη νευρολογικών αποτελεσμάτων από δεδομένα ενδοεγχειρητικής νευροπαρακολούθησης	el
dc.title.alternative	The role of machine learning in predicting neurological outcomes from intraoperative neurophysiological monitoring data	el
dc.type	Διπλωματική εργασία	el
dc.contributor.committee	Glotsos, Dimitris
dc.contributor.committee	Kostopoulos, Spiros
dc.contributor.faculty	Σχολή Μηχανικών	el
dc.contributor.department	Τμήμα Μηχανικών Βιοϊατρικής	el
dc.description.abstracttranslated	The integration of machine learning (ML) into intraoperative neuromonitoring (IONM) represents a significant advancement in surgical safety and patient outcomes. This thesis investigates the application of various ML techniques, including KNN, SVM, logistic regression, naive Bayes, and neural networks, to enhance the classification and analysis of neurophysiological signals during surgery. The primary objectives were to develop and evaluate ML models for signal classification, compare the performance of different algorithms, and optimize feature selection methods. Our methodology involved extensive data preprocessing, feature extraction, and the use of cross-validation to ensure model robustness. The results demonstrated that the neural network model, coupled with advanced feature selection techniques, achieved the highest accuracy, precision, recall, and F1-score, outperforming traditional methods. These findings suggest that ML-enhanced IONM can significantly reduce the risk of postoperative neurological deficits by providing real-time, accurate assessments of neural integrity during surgery. The study underscores the potential of ML to revolutionize IONM, offering a powerful tool for improving surgical outcomes and patient safety.	el

Αρχεία σε αυτό το τεκμήριο

Όνομα:: ΠΡΙΛΟ - ΔΙΠΛΩΜΑΤΙΚΗ.pdf
Μέγεθος:: 2.129Mb
Τύπος:: PDF

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Διπλωματικές εργασίες
Διπλωματικές εργασίες τμήματος Μηχανικών Βιοϊατρικής

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