In the heart of data : machine learning applications for improved heart failure outcome prediction

Chelis, Apostolos; Χέλης, Απόστολος

dc.contributor.advisor	Filippakis, Michael
dc.contributor.advisor	Φιλιππάκης, Μιχαήλ
dc.contributor.author	Chelis, Apostolos
dc.contributor.author	Χέλης, Απόστολος
dc.date.accessioned	2024-03-12T07:34:17Z
dc.date.available	2024-03-12T07:34:17Z
dc.date.issued	2024-02
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/16266
dc.identifier.uri	http://dx.doi.org/10.26267/unipi_dione/3688
dc.description.abstract	Ο στόχος αυτής της διατριβής είναι να εξετάσει και να αξιολογήσει την αποτελεσματικότητα διάφορων μοντέλων μηχανικής μάθηση (Random Forest, Decision Tree, Support Vector Machine, Logistic Regression, k-Nearest Neighbors και Gradient Boosting) και μεθόδων (Feature selection, Undersamplig, Oversampling και Principal component analysis), στον προσδιορισμό της πιθανότητας εμφάνισης συμβάντων θανάτου σε ασθενείς με καρδιακή ανεπάρκεια. Η μελέτη χρησιμοποιεί ένα ποικίλο σύνολο μοντέλων σε ένα σύνολο δεδομένων (Ahmad et al., 2017) που περιλαμβάνει ιατρικές εγγραφές ασθενών με καρδιακή ανεπάρκεια. Μέσω αυστηρής ανάλυσης, βελτιστοποίησης υπερπαραμέτρων και εξερεύνησης τεχνικών προεπεξεργασίας δεδομένων, η έρευνα έχει ως στόχο την ανάπτυξη ενός αξιόπιστου πλαισίου, ικανού να κατηγοριοποιεί με ακρίβεια ασθενείς με καρδιακή ανεπάρκεια, βάσει του κινδύνου εμφάνισης συμβάντος θανάτου. Τα ευρήματα της παρούσας εργασίας συμβάλλουν στον τομέα της υγειονομικής περίθαλψης. Πιο συγκεκριμένα, μέσω της δοκιμής και εν συνεχεία επιλογής των πιο αποτελεσματικών μεθόδων - μοντέλων μηχανικής μάθησης και την αντιμετώπιση των κρίσιμων παράγοντων - σφαλμάτων που παρουσιάζουν τα σύνολα δεδομένων, επιτυγάνεται ο αποτελεσματικότερος προσδιορισμός των αποτελεσμάτων.	el
dc.format.extent	133	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	In the heart of data : machine learning applications for improved heart failure outcome prediction	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων	el
dc.description.abstractEN	The aim of this dissertation is to investigate and evaluate the effectiveness of various machine learning models (Random Forest, Decision Tree, Support Vector Machine, Logistic Regression, k-Nearest Neighbors and Gradient Boosting) and methods (Feature selection, Undersamlig, Oversampling and Principal component analysis), in predicting the occurrence of death events in patients with heart failure. The study employs a diverse set of models on a dataset comprising medical records of heart failure patients, released by Ahmad et al. (2017). Through rigorous analysis, hyperparameter optimization, and exploration of data preprocessing techniques, the research seeks to develop a robust framework capable of accurately classifying heart failure patients based on their risk of experiencing a death event. The findings aim to contribute valuable insights to the evolving landscape of precision healthcare. Specifically, by testing and subsequently selecting the most effective methods/models of machine learning and addressing critical factors/errors present in the datasets, a more efficient determination of results is achieved.	el
dc.contributor.master	Ψηφιακά Συστήματα και Υπηρεσίες	el
dc.subject.keyword	Machine learning models	el
dc.subject.keyword	Data mining	el
dc.subject.keyword	Performance metrics	el
dc.subject.keyword	Hyperparameter tunning	el
dc.subject.keyword	Biomedical informatics	el
dc.subject.keyword	Oversampling	el
dc.subject.keyword	Undersampling	el
dc.subject.keyword	Feature selection	el
dc.subject.keyword	Principal component analysis	el
dc.subject.keyword	Binary classification	el
dc.subject.keyword	Μοντέλα μηχανικής μάθησης	el
dc.subject.keyword	Εξόρυξη δεδομένων	el
dc.subject.keyword	Μετρικές απόδοσης	el
dc.subject.keyword	Βελτιστοποίηση υπερπαραμέτρων	el
dc.subject.keyword	Βιοϊατρική πληροφορική	el
dc.subject.keyword	Υπερδειγματοληψία	el
dc.subject.keyword	Υποδειγματοληψία	el
dc.subject.keyword	Επιλογή χαρακτηριστικών	el
dc.subject.keyword	Ανάλυση κύριων συνιστωσών	el
dc.subject.keyword	Δυαδική κατηγοριοποίηση	el
dc.date.defense	2024-02-26

Files in this item

Name:: Chelis_me2230.pdf
Size:: 2.969Mb
Format:: PDF
Description:: Master thesis

View/Open

This item appears in the following Collection(s)

Τμήμα Ψηφιακών Συστημάτων
Department of Digital Systems

Show simple item record

Except where otherwise noted, this item's license is described as
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα