dc.contributor.advisor | Μπερσίμης, Σωτήριος | |
dc.contributor.author | Σωτήρχος, Στυλιανός | |
dc.date.accessioned | 2024-07-10T06:08:26Z | |
dc.date.available | 2024-07-10T06:08:26Z | |
dc.date.issued | 2024-06 | |
dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/16596 | |
dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/4018 | |
dc.description.abstract | Είναι γεγονός ότι στον 21ο αιώνα, τα δεδομένα αποτελούν θεμέλιο της σύγχρονης κοινωνίας, ενσωματώνοντας την ουσία του ψηφιακού κόσμου και των διαφόρων αλληλεπιδράσεών μας με αυτό. Η συλλογή δεδομένων διαδραματίζει καίριο ρόλο στην ανάλυση και την εξαγωγή πολύτιμων πληροφοριών. Σήμερα, οι τελευταίες τεχνολογικές εξελίξεις έχουν δημιουργήσει τεράστιες βάσεις δεδομένων με την ικανότητα να ανανεώνονται αυτόματα σε σύντομα χρονικά διαστήματα, σε ένα ευρύ φάσμα επιστημών, μεταξύ αυτών και της υγείας. Πιο συγκεκριμένα τα δεδομένα του πραγματικού κόσμου και οι τεχνικές μηχανικής μάθησης διαδραματίζουν ολοένα και σημαντικότερο ρόλο στον τομέα της βιοπληροφορικής, επαναστατώντας στις πρακτικές υγειονομικής περίθαλψης, την έρευνα και ανάπτυξη φαρμακευτικών δοκιμών. Η παρούσα εργασία εξετάζει το πολυδιάστατο τοπίο των εφαρμογών αυτων των δεδομένων στο κλάδο της υγείας, διερευνώντας τις ευκερείες και τους κινδύνους που μπορεί να ελλοχεύουν. Εξερευνώντας τις προκλήσεις που παρουσιάζουν τα πραγματικά δεδομένα, αναλύουμε στρατηγικές για την αξιοποίηση τους, μέσω από οργανισμούς που προσπαθούν καθημερινά να αναπτύξουν την διατήρηση και χρήση αυτων των βάσεων δεδομένων. Επιπλέον, εξετάζουμε πώς τα πραγματικα δεδομένα διευκολύνουν την ανάπτυξη φαρμάκων μέσω καινοτόμων τεχνικών μοντελοποίησης και πώς επιτρέπουν την εξατομικευμένη ιατρική μέσω μεθόδων όπως η κοινωνική ακρόαση. Επίσης, η εργασία συζητά την μελλοντική πορεία της ενσωμάτωσης αυτων του είδους δεδομένων, τονίζοντας τον ρόλο του στη βελτιστοποίηση της κλινικής ανάπτυξης και στη μετάβαση από τα δεδομένα σε εφαρμόσιμες πραγματικές γνώσεις παρουσιάζοντας πληροφορίες από τη βιβλιογραφία της φαρμακευτικής έρευνας, υπογραμμίζει τη σημασία της μηχανικής μάθησης στην εξαγωγή πολύτιμων πληροφοριών, αναλύοντας διάφορες μεθοδολογίες από την ταξινόμηση έως τη μείωση διαστάσεων. Συνολικά, η εργασία αυτή ρίχνει φώς στο μεταμορφωτικό στην αξία των πραγματικών δεδομένων και της μηχανικής μάθησης και στη διαμόρφωση του μέλλοντος της υγειονομικής περίθαλψης. | el |
dc.format.extent | 122 | 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 | 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 | Αξιοποίηση δεδομένων του πραγματικού κόσμου με εφαρμογή τεχνικών μηχανικής μάθησης | el |
dc.title.alternative | Exploiting real world data applying machine learning techniques | el |
dc.type | Master Thesis | el |
dc.contributor.department | Σχολή Χρηματοοικονομικής και Στατιστικής. Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης | el |
dc.description.abstractEN | In today’s era, data stands as the cornerstone of modern society, encapsulating the essence of the digital landscape and our myriad interactions within it. The collection of data marks a pivotal role in the analysis and extraction of invaluable insights. Today, technological advancements have birthed vast databases across a spectrum of disciplines, among them healthcare, each reservoir of information fostering the growth of knowledge and innovation. Real-World Data and Machine Learning techniques are increasingly pivotal in the field of bioinformatics, revolutionizing healthcare practices and pharmaceutical research and development. This paper delves into the multifaceted landscape of RWD applications, navigating through its distinctions from real-world evidence and its regulatory implications. Exploring the challenges and opportunities presented by RWD, it scrutinizes strategies for harnessing its potential, such as the Observational Medical Outcomes Partnership framework and Health Technology Assessment. Furthermore, it investigates how RWD facilitates drug development through innovative modeling techniques, and how it enables personalized medicine through methods like Social Listening and Quantitative Systems Pharmacology. Additionally, the paper discusses the future trajectory of RWD integration, emphasizing its role in optimizing clinical development and transitioning from data to actionable real-world insights. Presenting insights from library literature in pharmaceutical research, it underscores the significance of ML in extracting valuable insights from RWD, detailing various methodologies from classification to dimensionality reduction. Overall, this paper illuminates the transformative potential of RWD and ML in advancing bioinformatics and shaping the future of healthcare. | el |
dc.contributor.master | Εφαρμοσμένη Στατιστική | el |
dc.subject.keyword | Real world data | el |
dc.subject.keyword | Real world evidence | el |
dc.subject.keyword | Machine learning | el |
dc.subject.keyword | Data science | el |
dc.subject.keyword | Biostatistics | el |
dc.subject.keyword | Bionformatics | el |
dc.subject.keyword | FDA | el |
dc.subject.keyword | EMA | el |
dc.subject.keyword | Statistical analysis | el |
dc.subject.keyword | Classification | el |
dc.subject.keyword | Regression | el |
dc.subject.keyword | Diabetes | el |
dc.subject.keyword | Health technology assessment | el |
dc.subject.keyword | Pharmaceutical research | el |
dc.date.defense | 2024-06-25 | |