Προβλεπτικά μοντέλα χρήσης ιατρικής εφαρμογής
| dc.contributor.advisor | Μαγκλογιάννης, Ηλίας | |
| dc.contributor.author | Βούζης, Ελευθέριος | |
| dc.date.accessioned | 2022-02-18T10:46:46Z | |
| dc.date.available | 2022-02-18T10:46:46Z | |
| dc.date.issued | 2022-02 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/14114 | |
| dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/1537 | |
| dc.description.abstract | Η ραγδαία ανάπτυξη της τεχνολογίας με την παράλληλη αύξηση στον όγκο των ιατρικών δεδομένων στα πληροφοριακά συστήματα των νοσοκομείων, σηματοδότησε την εποχή των Μεγάλων Δεδομένων στον τομέα της υγείας. Η ανάλυση ιατρικών δεδομένων αποτελεί σημαντική ευκαιρία παγκοσμίως για τα εθνικά συστήματα υγείας ώστε να μειωθεί το κόστος και ταυτόχρονα να βελτιωθεί η υγειονομική περίθαλψη. Η αξιοποίηση των τεχνολογιών αυτών γίνεται στο πλαίσιο παρακολούθησης θεμάτων υγείας, καταμέτρησης στόχων υγείας και φυσικής κατάστασης, καθώς και για καταγραφή ιατρικών δεδομένων. Σε ένα τέτοιο πλαίσιο, ο έγκαιρος εντοπισμός χρηστών με κίνδυνο χαμηλότερων ποσοστών συμμόρφωσης και μοτίβων χρήσης μιας εφαρμογής παρακολούθησης υγείας, που υποδηλώνουν κίνδυνο εγκατάλειψης είναι μια ανεκτίμητη ευκαιρία για την εφαρμογή προσαρμοσμένων στρατηγικών παρέμβασης που στοχεύουν στην ανάκαμψη και την αποφυγή αποδέσμευσης των χρηστών. Η παρούσα διπλωματική εργασία ασχολείται με την φετινή έκδοση του παγκόσμιου διαγωνισμού IFMBE Science Challenge 2022, στόχος του οποίου είναι ο εντοπισμός προτύπων πρόωρης εγκατάλειψης σε χρήστες μιας εφαρμογής για κινητές συσκευές παρεμβάσεων με τίτλο Active and Healthy Ageing (AHA). Οι συμμετέχοντες του διαγωνισμού έχουν πρόσβαση σε ένα σύνολο δεδομένων με περισσότερους από 150 χρήστες στη Μαδρίτη που έχουν δοκιμάσει τον αντίκτυπο μιας ψηφιακής εφαρμογής AHA για τη βελτίωση της ποιότητας ζωής τους για τουλάχιστον 6 μήνες στο δίκτυο Moving Active & Healthy Aging. Η πρόκληση του διαγωνισμού, είναι δεδομένου ενός παραθύρου με n=12 διαδοχικών προγραμματισμένων στιγμών απόκτησης δεδομένων, να προβλεφθεί η συμμόρφωση του χρήστη κατά τις προσεχείς 3 προγραμματισμένες στιγμές απόκτησης δεδομένων. Στο στάδιο της πειραματικής διαδικασίας υλοποιήθηκαν και παρουσιάζονται πολλές διαφορετικές προσεγγίσεις για την πρόβλεψη της εγκατάλειψης. Αρχικά στο σύνολο των δεδομένων και στην συνέχεια με διαφορετικό πλήθος χαρακτηριστικών, ώστε να επιλεγεί το καλύτερο. Συγκεκριμένα προτείνετε μια μεθοδολογία με την χρήση του κανόνα καθαρισμού δεδομένων Neighborhood Cleaning Rule (NCR) και ένας συγκεκριμένος αλγόριθμος ταξινόμησης με την μέθοδο μάθησης Stacked Generalization για την πρόβλεψη της πρόωρης εγκατάλειψης των χρηστών της εφαρμογής παρακολούθησης υγείας. Τα αποτελέσματα δείχνουν ότι ο προτεινόμενος αλγόριθμός ήταν ικανός να προβλέψει την πρόωρη εγκατάλειψη των χρηστών από την εφαρμογή με ποσοστό ακρίβειας 97,6%, ενώ παράλληλα, βάσει της μετρικής που επιλέχθηκε από τον διαγωνισμό σε ποσοστό 93,4%, κάτι και το οποίο φυσικά τον κάνει αρκετά αξιόπιστο, ώστε να χρησιμοποιείται ως ένα σύστημα έγκαιρης προειδοποίησης. Στο τέλος της παρούσας εργασίας παρουσιάζονται αναλυτικά τα συμπεράσματα που προέκυψαν από την έρευνα. | el |
| dc.format.extent | 69 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.rights | Αναφορά Δημιουργού 3.0 Ελλάδα | * |
| dc.rights.uri | http://creativecommons.org/licenses/by/3.0/gr/ | * |
| dc.title | Προβλεπτικά μοντέλα χρήσης ιατρικής εφαρμογής | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
| dc.description.abstractEN | The rapid development of technology with the parallel increase in the volume of medical data in the information systems of hospitals, marked the era of Big Data in the field of health. The analysis of medical data is a significant opportunity worldwide for national health systems to reduce costs and at the same time improve healthcare. The utilization of these technologies is done in the context of monitoring health issues, counting health goals and fitness, as well as for recording medical data. In such a context, early detection of users at risk of lower compliance rates and patterns of use of a health monitoring application suggesting a risk of abandonment is an invaluable opportunity to implement tailored intervention strategies aimed at recovering and avoiding abandonment thoughts. This dissertation deals with this year's edition of the global competition (IFMBE Science Challenge 2022), which aims to identify patterns of early dropout in users of an application for mobile intervention called Active and Healthy Aging (AHA). Contestants have access to a database of more than 150 users in Madrid who have experienced the impact of a digital AHA application to improve their quality of life for at least 6 months on the MAHA (Moving Active & Healthy Aging) network. The challenge of the competition is given a window of n = 12 consecutive scheduled moments of data acquisition, to predict the user's compliance during the next 3 scheduled data acquisition. At the experimental stage many different approaches to early dropout prediction were implemented and presented. First in the initial data set and then with a different set of features to choose the best one. Specifically, the current thesis proposes a methodology using the Neighborhood Cleaning Rule (NCR) and a specific classification algorithm with the Stacked Generalization learning method to predict the early abandonment of users of the health monitoring application. The results shown that the proposed algorithm was able to predict the early dropout of users from the application with an accuracy of 97.6%, while at the same time, based on the challenge metric at a rate of 93,4%, makes it reliable enough to be used as an early warning system. At the end of this paper are presented in detail the conclusions that emerged from the research. | el |
| dc.contributor.master | Πληροφοριακά Συστήματα και Υπηρεσίες | el |
| dc.subject.keyword | Μηχανική μάθηση | el |
| dc.subject.keyword | Επιλογή χαρακτηριστικών | el |
| dc.subject.keyword | Κατηγοριοποίηση | el |
| dc.subject.keyword | Stacked generalization | el |
| dc.subject.keyword | Σύστημα έγκαιρης προειδοποίησης | el |
| dc.date.defense | 2022-02-16 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Ψηφιακών Συστημάτων
Department of Digital Systems
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού 3.0 Ελλάδα
Αναφορά Δημιουργού 3.0 Ελλάδα