Ανάλυση κλινικών δεδομένων με χρήση αλγορίθμων εξόρυξης δεδομένων για την πρόβλεψη του διαβήτη

Abstract

Σύμφωνα με στατιστικές, μελέτες καθώς και την ανάπτυξη της ιατρικής με νέα μηχανήματα και τεχνολογικά μέσα τα οποία καθημερινά συμβάλλουν στην καλύτερη ποιότητα ζωής και άμεση ίαση των ασθενών αποδεικνύεται πως η μηχανική μάθηση έχει επιφέρει σημαντικές εξελίξεις στον τομέα της υγείας και της ιατρικής. Έχει εφαρμοστεί σε πολλούς τομείς για τη βελτίωση της διάγνωσης, της πρόληψης, της θεραπείας και της παροχής υγειονομικής περίθαλψης. Ανάμεσα στις εφαρμογές της μηχανικής μάθησης στην υγεία συμπεριλαμβάνονται η εξατομικευμένη θεραπεία δηλαδή η ανάλυση γενετικών δεδομένων για τη δημιουργία εξατομικευμένων θεραπειών και φαρμάκων για ειδικές περιπτώσεις ασθενών, η διαχείριση υγείας που μπορεί να οδηγήσει στη βέλτιστη διαχείριση των νοσοκομειακών πόρων καθώς και στην ψηφιακή υγεία και στους φορείς υγείας όπως για παράδειγμα η διαχείριση των ιατρικών αρχείων. Αυτό τη κατατάσσει σε ένα πάρα πολύ σημαντικό και καίριο τομέα που ολοένα και θέλουμε σαν κοινωνία να αναπτύσσεται και να εξελίσσεται. Η συγκεκριμένη διπλωματική εργασία αφορά τη συγκριτική μελέτη αλγορίθμων μηχανικής μάθησης, καθώς και την αξιολόγηση της επίδοσης αυτών για τη διάγνωση του διαβήτη μέσω του συνόλου των κλινικών δεδομένων Diabetes prediction dataset. Για κάθε ένα από τα μοντέλα μηχανικής μάθησης αναλύσαμε διάφορες μετρικές ώστε να καταλήξουμε στο συμπέρασμα ποιο από αυτά μας προσέφερε το βέλτιστο αποτέλεσμα για το σύνολο των δεδομένων μας.