Ανάπτυξη βιοδεικτών για την εξατομίκευση θεραπειών με χρήση της αναλυτικής των δεδομένων και μηχανικής μάθησης

Κιοσσές, Ανέστης; Kiosses, Anestis

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

Αρχεία σε αυτό το τεκμήριο

Name:: Kiosses_mes19004.pdf.pdf
Μέγεθος:: 4.335Mb
Τύπος:: PDF
Description:: Master thesis

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης
Department of Statistics & Insurance Science

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα

Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα