| dc.contributor.advisor | Φιλιππάκης, Μιχαήλ | |
| dc.contributor.author | Γιαννέλου, Αθανασία | |
| dc.date.accessioned | 2025-03-04T11:05:08Z | |
| dc.date.available | 2025-03-04T11:05:08Z | |
| dc.date.issued | 2025-02 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/17519 | |
| dc.description.abstract | Οι τεχνολογικές εξελίξεις και η εξέλιξη στον τομέα της ανάλυσης και επεξεργασίας δεδομένων συνέβαλαν καθοριστικά στην επανάσταση στις πρακτικές υγειονομικής περίθαλψης, ιδίως στην ενίσχυση των ικανοτήτων στην πρόληψη ασθενειών, στην ακριβή διάγνωση και στις αποτελεσματικές θεραπείες. Η ενσωμάτωση τεχνικών μηχανικής μάθησης έχει συμβάλει σημαντικά στη βελτίωση της διαγνωστικής διαδικασίας για ασθένειες όπως ο διαβήτης, μια σημαντική ανησυχία για την παγκόσμια υγεία. Αυτή η ερευνητική εργασία αξιοποιεί αυτά τα τεχνολογικά βήματα για τη διερεύνηση και την αξιολόγηση μεθοδολογιών που στοχεύουν στην προώθηση της ακρίβειας της διάγνωσης του διαβήτη. Ερευνά την αποτελεσματικότητα διαφόρων αλγορίθμων μηχανικής μάθησης μέσω μιας συγκριτικής ανάλυσης για να εντοπίσει την προσέγγιση που αποδίδει την υψηλότερη προγνωστική ακρίβεια για αυτήν την κατάσταση. Η επίτευξη αυτού του στόχου περιλάμβανε τη χρήση ενός συνόλου δεδομένων για τον διαβήτη ως πεδίο δοκιμών για αυτούς τους αλγόριθμους, επιτρέποντας τη λεπτομερή αξιολόγηση και την αντιπαράθεση των αποτελεσμάτων. Μια τέτοια εις βάθος ανάλυση δεδομένων διευκόλυνε μια λεπτή κατανόηση και προσδιορισμό της βέλτιστης στρατηγικής για μια ακριβή και αξιόπιστη διάγνωση του διαβήτη [1].
Η μελέτη υπογράμμισε τον κρίσιμο ρόλο της επιλογής και της σύγκρισης διαφορετικών στρατηγικών μηχανικής μάθησης, αξιολογώντας σχολαστικά την αποτελεσματικότητα καθεμιάς στην ακριβή πρόβλεψη του διαβήτη. Η επιλογή ενός κατάλληλου συνόλου δεδομένων αναδείχθηκε ως κρίσιμο στοιχείο για την επιτυχία της έρευνας, υπογραμμίζοντας πώς η ποιότητα και η καταλληλόλητα των δεδομένων επηρεάζουν άμεσα την απόδοση των αλγορίθμων που εφαρμόζονται. Μέσω αυτής της αναλυτικής διαδικασίας, η έρευνα παρέχει βαθιές γνώσεις για την επιλογή της καταλληλότερης τεχνολογικής τεχνικής για τη διάγνωση του διαβήτη με υψηλή αξιοπιστία και ακρίβεια.
Αυτή η διατριβή υπογραμμίζει την επιτακτική ανάγκη της ύφανσης των τεχνολογικών καινοτομιών αιχμής στον ιστό της ιατρικής έρευνας και πρακτικής. Θέτει μια ισχυρή βάση για μελλοντικές ανακαλύψεις στην έγκαιρη ανίχνευση, πρόληψη και διαχείριση του διαβήτη, με πρωταρχικό στόχο τη βελτίωση της ποιότητας ζωής όσων επηρεάζονται από τη νόσο. Υπογραμμίζοντας τη σημασία της τεχνολογικής προόδου στην υγειονομική περίθαλψη, το έγγραφο υποστηρίζει τη συνεχή εστίαση στην καινοτομία ως καταλύτη για τη βελτίωση των διαγνωστικών μεθόδων και των τρόπων θεραπείας. Με αυτόν τον τρόπο, όχι μόνο συμβάλλει στον ακαδημαϊκό και πρακτικό λόγο για τη διαχείριση του διαβήτη, αλλά χρησιμεύει επίσης ως φάρος για μελλοντική έρευνα με στόχο την αντιμετώπιση άλλων διαδεδομένων ζητημάτων υγείας μέσω τεχνολογικής εφευρετικότητας. Αυτή η διερεύνηση της δυνατότητας της μηχανικής μάθησης να βελτιώσει τη διάγνωση του διαβήτη αποτελεί παράδειγμα των ευρύτερων επιπτώσεων της τεχνολογίας στον μετασχηματισμό της υγειονομικής περίθαλψης, δίνοντας έμφαση σε μια μακροπρόθεσμη προσέγγιση στην ιατρική έρευνα και τη φροντίδα των ασθενών.
Η αδιάκοπη πρόοδος στον τομέα της τεχνολογίας και η εξέλιξη στην ανάλυση δεδομένων έχουν συμβάλλει σημαντικά στην ανάπτυξη της ιατρικής επιστήμης, παρέχοντας πρωτοποριακές λύσεις για την εντοπισμό και αποτελεσματική αντιμετώπιση πληθώρας ασθενειών. Ειδικά στον τομέα της ακριβέστερης διάγνωσης νοσημάτων, η τεχνητή νοημοσύνη και ιδίως η μηχανική μάθηση έχουν δείξει εντυπωσιακά αποτελέσματα, βελτιώνοντας τη διαδικασία αναγνώρισης και αντιμετώπισης διαφόρων παθήσεων, όπως ο διαβήτης.
Αυτή η μεταπτυχιακή διατριβή επικεντρώνεται στην εκμετάλλευση των τελευταίων επιτευγμάτων στο πεδίο της τεχνητής νοημοσύνης για τη βελτίωση των διαγνωστικών διαδικασιών του διαβήτη. Αναλύοντας και συγκρίνοντας διάφορους αλγορίθμους μηχανικής μάθησης, η διατριβή αναζητά την πιο αποδοτική στρατηγική για την πρόγνωση της πάθησης με την υψηλότερη δυνατή ακρίβεια. Η επιτυχής αναγνώριση και έγκαιρη θεραπεία του διαβήτη εξαρτάται κρίσιμα από την επιλογή και την αποδοτικότητα των αλγορίθμων που εφαρμόζονται στην επεξεργασία των δεδομένων.
Καθ' όλη τη διάρκεια της έρευνας, υπήρξε ένας σημαντικό επίκεντρο στην ανάπτυξη μοντέλων μηχανικής μάθησης, προσαρμοσμένων στις προκλήσεις που παρουσιάζει η ασθένεια του διαβήτη. Η επιλογή των κατάλληλων μοντέλων διενεργήθηκε με βάση μια ενδελεχή ανάλυση των διαθέσιμων δεδομένων, επιδιώκοντας να ανακαλύψει την πλέον αποτελεσματική τεχνική για την προσδιορισμό της πάθησης.
Η έρευνα αυτή καταδεικνύει το θετικό αντίκτυπο της συνεργασίας τεχνολογικών καινοτομιών με τον ιατρικό κλάδο, ανοίγοντας νέους ορίζοντες για την προληπτική φροντίδα και αποτελεσματική αντιμετώπιση του διαβήτη και άλλων ασθενειών. Επισημαίνει τη σημαντικότητα της ενσωμάτωσης προηγμένων τεχνολογικών διαδικασιών στην ιατρική πρακτική για τη βελτίωση της ακρίβειας των διαγνώσεων και της αποτελεσματικότητας των θεραπειών, ενισχύοντας την ποιότητα ζωής των ασθενών. | el |
| dc.format.extent | 102 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.title | Πρόβλεψη διαβήτη χρησιμοποιώντας data mining αλγορίθμους | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
| dc.description.abstractEN | Technological advancements and developments in data analysis and processing have played a pivotal role in revolutionizing healthcare practices, particularly in enhancing capabilities for disease prevention, accurate diagnosis, and effective treatments. The integration of machine learning techniques has significantly contributed to improving the diagnostic process for diseases like diabetes, a major global health concern. This research leverages these technological strides to explore and evaluate methodologies aimed at advancing the accuracy of diabetes diagnosis. It investigates the effectiveness of various machine learning algorithms through comparative analysis to identify the approach that yields the highest predictive accuracy for this condition. Achieving this objective involved utilizing a diabetes dataset as a testbed for these algorithms, allowing for a detailed assessment and comparison of the results. Such an in-depth data analysis facilitated a nuanced understanding and identification of the optimal strategy for a precise and reliable diabetes diagnosis.
The study highlighted the crucial role of selecting and comparing different machine learning strategies, meticulously evaluating each one’s effectiveness in accurately predicting diabetes. The choice of an appropriate dataset emerged as a critical element for the research’s success, emphasizing how data quality and relevance directly impact the performance of the applied algorithms. Through this analytical process, the research provides profound insights into selecting the most suitable technological technique for diagnosing diabetes with high reliability and precision.
This thesis underscores the imperative of weaving cutting-edge technological innovations into the fabric of medical research and practice. It lays a strong foundation for future breakthroughs in early detection, prevention, and management of diabetes, with the primary goal of improving the quality of life for those affected by the disease. Highlighting the importance of technological advancement in healthcare, the paper advocates for continued focus on innovation as a catalyst for improving diagnostic methods and treatment approaches. In doing so, it not only contributes to the academic and practical discourse on diabetes management but also serves as a beacon for future research aimed at addressing other widespread health issues through technological ingenuity. This exploration of the potential of machine learning to enhance diabetes diagnosis exemplifies the broader impact of technology on transforming healthcare, emphasizing a long-term approach to medical research and patient care.
The continuous progress in the field of technology and developments in data analysis have significantly contributed to the advancement of medical science, providing groundbreaking solutions for identifying and effectively addressing a wide range of diseases. Specifically, in the area of more accurate disease diagnosis, artificial intelligence and especially machine learning have shown impressive results, enhancing the process of recognizing and managing various conditions like diabetes.
This master's thesis focuses on leveraging the latest advancements in artificial intelligence to improve the diagnostic processes of diabetes. By analyzing and comparing various machine learning algorithms, the thesis seeks to identify the most efficient strategy for predicting the condition with the highest possible accuracy. The successful identification and timely treatment of diabetes critically depend on the selection and effectiveness of the algorithms applied in data processing.
Throughout the research, there was significant emphasis on developing machine learning models tailored to the challenges posed by the disease of diabetes. The selection of appropriate models was based on a thorough analysis of available data, aiming to uncover the most effective technique for determining the condition.
This research demonstrates the positive impact of combining technological innovations with the medical field, opening new horizons for preventive care and effective management of diabetes and other diseases. It emphasizes the importance of integrating advanced technological processes into medical practice to improve the accuracy of diagnoses and the effectiveness of treatments, | el |
| dc.contributor.master | Πληροφοριακά Συστήματα και Υπηρεσίες | el |
| dc.subject.keyword | Διαβήτης | el |
| dc.date.defense | 2025-02-11 | |
