Ανάλυση κλινικών δεδομένων με χρήση αλγορίθμων εξόρυξης δεδομένων για την πρόβλεψη του διαβήτη
| dc.contributor.advisor | Φιλιππάκης, Μιχαήλ | |
| dc.contributor.author | Σιδερή, Βασιλική | |
| dc.date.accessioned | 2024-07-12T05:25:27Z | |
| dc.date.available | 2024-07-12T05:25:27Z | |
| dc.date.issued | 2024-02 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/16602 | |
| dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/4024 | |
| dc.description.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. | el |
| dc.format.extent | 60 | el |
| dc.language.iso | el | 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 | Ανάλυση κλινικών δεδομένων με χρήση αλγορίθμων εξόρυξης δεδομένων για την πρόβλεψη του διαβήτη | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
| dc.description.abstractEN | According to statistics, studies and the development of medicine with new machines and technological tools that daily contribute to a better quality of life and immediate healing of patients, it is proven that machine learning has brought significant developments in the field of health and medicine. It has been applied in many areas to improve diagnosis, prevention, treatment and healthcare delivery. Among the applications of machine learning in healthcare include personalised therapy i.e. the analysis of genetic data to create personalised treatments and medicines for specific patient cases, health management which can lead to optimal management of hospital resources as well as digital health and healthcare providers such as medical records management. This places it in a very, very important and key area that we increasingly want as a society to develop and evolve. This thesis is about the comparative study of machine learning algorithms and the evaluation of their performance for diabetes diagnosis using the Diabetes prediction dataset clinical dataset. For each of the machine learning models, we analyzed several metrics to conclude which one provided the best result for our dataset. | el |
| dc.contributor.master | Πληροφοριακά Συστήματα και Υπηρεσίες | el |
| dc.subject.keyword | Διαβήτης | el |
| dc.date.defense | 2024-03-13 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Ψηφιακών Συστημάτων
Department of Digital Systems
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα