Μηχανική μάθηση και πρόβλεψη επανεισαγωγής λόγω διαβήτη
| dc.contributor.advisor | Φιλιππάκης, Μιχαήλ | |
| dc.contributor.author | Σγουρού, Ελένη | |
| dc.date.accessioned | 2025-07-29T06:58:22Z | |
| dc.date.available | 2025-07-29T06:58:22Z | |
| dc.date.issued | 2025 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/18037 | |
| dc.description.abstract | Ο Σακχαρώδης Διαβήτης αποτελεί ένα από τα σημαντικότερα και πλέον διαδεδομένα χρόνια νοσήματα παγκοσμίως, με αύξηση της εμφάνισης του τόσο σε ανεπτυγμένες όσο και σε αναπτυσσόμενες χώρες. Ένας από τους κυριότερους δείκτες της ποιότητας της παρεχόμενης φροντίδας στα νοσοκομεία αποτελεί ο ρυθμός επανεισαγωγής ασθενών, δηλαδή το ποσοστό των ασθενών που εισάγονται εκ νέου στο νοσοκομείο μέσα σε σύντομο χρονικό διάστημα από το προηγούμενο εξιτήριό τους. Η επανεισαγωγή ασθενών με διαβήτη σε νοσοκομείο επιβαρύνει τόσο το σύστημα υγείας όσο και την ποιότητα ζωής των ατόμων. Η συχνή επανεισαγωγή ασθενών με διαβήτη μπορεί να οφείλεται σε διάφορους παράγοντες, όπως η ανεπαρκής διαχείριση της νόσου, η αναποτελεσματική φαρμακευτική αγωγή, ή η ελλιπείς παρακολούθηση μετά την έξοδο από το νοσοκομείο. Η μηχανική μάθηση χρησιμοποιείται για να διδάξει στις μηχανές πώς να χειρίζονται τα δεδομένα πιο αποτελεσματικά. Αυτό συμβαίνει καθώς τα δεδομένα δεν είναι πάντα ερμηνεύσιμα ή δεν μπορεί να εντοπιστεί κάποιο συγκεκριμένο μοτίβο. Με την πληθώρα των διαθέσιμων συνόλων δεδομένων, η ζήτηση για μηχανική μάθηση αυξάνεται. Πολλές βιομηχανίες, από την ιατρική έως τον στρατό, εφαρμόζουν τη μηχανική μάθηση για να εξαγάγουν σχετικές πληροφορίες. Με άλλα λόγια σκοπός της μηχανικής μάθησης είναι η εξαγωγή πληροφορίας από τα δεδομένα. Η παρούσα μελέτη έχει ως στόχο την ανάπτυξη και αξιολόγηση μοντέλων μηχανικής μάθησης για την πρόβλεψη της πιθανότητας επανεισαγωγής εντός 30 ημερών, με σκοπό την έγκαιρη παρέμβαση και τη μείωση της νοσοκομειακής επιβάρυνσης. Μέσω αυτής της εργασίας επιδιώκεται η βελτίωση της διαχείρισης των ασθενών, ο έγκαιρος εντοπισμός ομάδων υψηλού κινδύνου και η συνολική αναβάθμιση της ποιότητας των παρεχόμενων υπηρεσιών υγείας. Για την επίτευξη του παραπάνω στόχου, χρησιμοποιήθηκε το δημόσιο dataset «Diabetes 130-US hospitals for years 1999-2008», το οποίο περιλαμβάνει δεδομένα που αφορούν νοσηλείες διαβητικών ασθενών από 130 νοσοκομεία των Ηνωμένων Πολιτειών. Η εργασία περιλαμβάνει αναλυτική εξερεύνηση και επεξεργασία των δεδομένων, αντιμετώπιση ανισορροπίας κλάσης, ανάπτυξη και αξιολόγηση έξι μοντέλων μηχανικής μάθησης, καθώς και εξήγηση των αποτελεσμάτων με τη χρήση τεχνικών ερμηνείας μοντέλων (SHapley Additive exPlanations). Η σημασία της παρούσας εργασίας έγκειται όχι μόνο στην υψηλή ακρίβεια πρόβλεψης που μπορεί να επιτευχθεί, αλλά και στην παροχή ουσιαστικής πληροφορίας προς τους επαγγελματίες υγείας, που θα τους επιτρέψει να εφαρμόσουν στοχευμένες παρεμβάσεις με στόχο τη μείωση των ποσοστών επανεισαγωγής και τη βελτίωση της συνολικής φροντίδας των διαβητικών ασθενών. | el |
| dc.format.extent | 95 | 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.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | * |
| dc.title | Μηχανική μάθηση και πρόβλεψη επανεισαγωγής λόγω διαβήτη | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
| dc.description.abstractEN | Diabetes mellitus is one of the most important and widespread chronic diseases worldwide, with its incidence increasing in both developed and developing countries. One of the key quality indicators of care provided in hospitals is the patient readmission rate, that is, the percentage of patients who are readmitted to the hospital within a short time after their previous discharge. Readmission of diabetic patients places a burden both on the healthcare system and on patients’ quality of life. Frequent readmissions among diabetic patients may be attributable to several factors, such as inadequate disease management, ineffective medication, or insufficient post-discharge follow-up. Machine learning is used to teach machines how to manage data more effectively. This is necessary because data are not always interpretable and specific patterns cannot always be identified. With the abundance of available datasets, demand for machine learning is on the rise. Many industries, from medicine to the military, apply machine learning to extract relevant information. To sum up, the purpose of machine learning is to extract insight from data. The present study aims to develop and evaluate a machine-learning models to predict the probability of readmission within 30 days, to enable timely intervention and reduce the hospital burden. Through this work, we seek to improve patient management, promptly identify high-risk groups, and enhance the overall quality of healthcare services provided. To achieve the above objective, the public dataset “Diabetes 130-US hospitals for years 1999–2008” was used, which includes data on hospitalizations of diabetic patients from 130 U.S. hospitals. The study includes detailed data exploration and preprocessing, handling of class imbalance, development and evaluation of six machine-learning models, as well as interpretation of the results using SHapley Additive exPlanations (techniques. The significance of the present work lies not only in the high predictive accuracy that can be achieved, but also in providing meaningful information to healthcare professionals, enabling them to implement targeted interventions aimed at reducing readmission rates and improving the overall care of diabetic patients. | el |
| dc.contributor.master | Πληροφοριακά Συστήματα και Υπηρεσίες | el |
| dc.subject.keyword | Machine learning | el |
| dc.subject.keyword | Πρόβλεψη | el |
| dc.subject.keyword | Επαναεισαγωγή | el |
| dc.subject.keyword | EDA | el |
| dc.subject.keyword | Μοντελοποίηση | el |
| dc.date.defense | 2025-07-09 |
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