dc.contributor.advisor | Μπερσίμης, Σωτήριος | |
dc.contributor.advisor | Bersimis, Sotiris | |
dc.contributor.author | Κιοσσές, Ανέστης | |
dc.contributor.author | Kiosses, Anestis | |
dc.date.accessioned | 2022-10-06T12:11:23Z | |
dc.date.available | 2022-10-06T12:11:23Z | |
dc.date.issued | 2022-09 | |
dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/14661 | |
dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/2084 | |
dc.description.abstract | Η εξατομίκευση των θεραπειών είναι καινοτόμα προσέγγιση που προσαρμόζει τη
πρόληψη και τις θεραπείες λαμβάνοντας υπόψη διαφοροποιήσεις βιοδεικτών των
ανθρώπων όπως επίσης και παράγοντες από το περιβάλλον και τον τρόπο ζωής.
Οι βιοδείκτες είναι δείκτες που μπορούν να μετρηθούν, να αξιολογηθούν και να
χρησιμοποιηθούν ώστε να προβλέψουν την εμφάνιση εξέλιξη μίας ασθένειας. Κλινικά επικυρωμένοι βιοδείκτες χρησιμοποιούνται για την εξατομίκευση των θεραπειών
ώστε να διαχωρίσουν ασθενείς ως προς τον κίνδυνο ή την πρόγνωση να νοσήσουν
ή την ανταπόκριση σε μία ασθένεια. Οι μέθοδοι μηχανικής μάθησης χρησιμοποιούνται ευρέως για την αναζήτηση βιοδεικτών και πολλοί από αυτούς όπως τα Δέντρα
Αποφάσεων, τα Νευρωνικά Δίκτυα, τα Support Vector Machines και άλλα παρουσιάζονται παρακάτω. Επίσης, παρουσιάζονται αρκετές έρευνες στις οποίες αλγόριθμοι
μηχανικής μάθησης έχουν εφαρμοστεί ώστε να αναζητήσουν πιθανούς βιοδείκτες για
την εξατομίκευση θεραπειών. Τέλος πραγματοποιήθηκαν τρεις αναλύσεις σε τρία
διαφορετικά σύνολα δεδομένων ώστε να εφαρμοστούν στην πράξη πολλές από τις
μεθόδους που αναφέρονται και κάποιες ακόμα επιπρόσθετες διαδικασίες. | el |
dc.format.extent | 190 | el |
dc.language.iso | en | el |
dc.publisher | Πανεπιστήμιο Πειραιώς | el |
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.title | Ανάπτυξη βιοδεικτών για την εξατομίκευση θεραπειών με χρήση της αναλυτικής των δεδομένων και μηχανικής μάθησης | el |
dc.title.alternative | Biomarkers development for precision medicine using data analytics and machine learning | el |
dc.type | Master Thesis | el |
dc.contributor.department | Σχολή Χρηματοοικονομικής και Στατιστικής. Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης | el |
dc.description.abstractEN | Precision medicine is an innovative approach to tailoring disease prevention and treatment
that takes into account differences in people’s biomarkers such as genes, environments,
and lifestyles. Biomarkers are indices which can be measured, evaluated and used for
predictions about disease occurrence and progression. Clinically validated biomarkers
are used for precision medicine to classify patients based on their disease risk, prognosis
and/or response to treatment. Machine learning methods are popularly used for biomarker
discovery and many of them such as Decision Trees, Support Vector Machines, Neural
Networks and others are presented below. Moreover, presented many studies in which
machine learning algorithms have been applied in order to discover potential biomarkers
for precision medicine. Finally they were analyzed three data sets for building in practice
some of the methods that are referred and others beyond them. | el |
dc.contributor.master | Εφαρμοσμένη Στατιστική | el |
dc.subject.keyword | Βιοδείκτες | el |
dc.subject.keyword | Εξατομίκευση θεραπειών | el |
dc.subject.keyword | Μηχανική μάθηση | el |
dc.date.defense | 2022 | |