Πρόβλεψη θνησιμότητας από καρδιαγγειακά νοσήματα με τεχνικές μηχανικής μάθησης : ανάλυση χρονοσειρών και εφαρμογή LSTM

Πριόβολος, Απόστολος

dc.contributor.advisor	Φιλιππάκης, Μιχαήλ
dc.contributor.author	Πριόβολος, Απόστολος
dc.date.accessioned	2025-09-11T06:34:21Z
dc.date.available	2025-09-11T06:34:21Z
dc.date.issued	2025
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/18120
dc.description.abstract	Η παρούσα μελέτη διερευνά τη θνησιμότητα από καρδιοαγγειακά νοσήματα (ΚΑΝ) και αναπτύσσει ένα προγνωστικό μοντέλο μηχανικής μάθησης βασισμένο σε Long Short Term Memory (LSTM) για την εκτίμηση της εξέλιξης των ΚΑΝ έως το 2035. Χρησιμοποιώντας ιστορικά δεδομένα θνησιμότητας και πληθυσμού, η ανάλυση καταδεικνύει ότι η θνησιμότητα από ΚΑΝ παρουσιάζει αυξητική τάση, με τις προβλέψεις να δείχνουν ότι οι παγκόσμιοι θάνατοι από ΚΑΝ μπορεί να ξεπεράσουν τους 243 θανάτους ανά 100.000 κατοίκους έως το 2035. Στην περίπτωση της Ελλάδας, η θνησιμότητα αναμένεται να φτάσει τους 482,4 θανάτους ανά 100.000 κατοίκους, επιβεβαιώνοντας την ανάγκη για αποτελεσματικές παρεμβάσεις δημόσιας υγείας. Η σύγκριση διαφορετικών μοντέλων πρόβλεψης ανέδειξε την υπεροχή του LSTM έναντι των παραδοσιακών στατιστικών μεθόδων, όπως το ARIMA, με το LSTM να επιτυγχάνει χαμηλότερο σφάλμα πρόβλεψης και υψηλότερη ακρίβεια. Παράλληλα, η μελέτη ανέδειξε τη σημασία των κοινωνικοοικονομικών και περιβαλλοντικών παραγόντων στην εξέλιξη των ΚΑΝ, υπογραμμίζοντας την ανάγκη για ενσωμάτωση περισσότερων μεταβλητών στα προγνωστικά μοντέλα. Η έρευνα καταλήγει στο ότι η εφαρμογή τεχνητής νοημοσύνης στην πρόβλεψη των ΚΑΝ μπορεί να αποτελέσει εργαλείο για τη χάραξη πολιτικών δημόσιας υγείας, επιτρέποντας στοχευμένες προληπτικές παρεμβάσεις. Μελλοντικές βελτιώσεις περιλαμβάνουν την ανάπτυξη υβριδικών μοντέλων LSTM με Transformers και τη συλλογή πιο ολοκληρωμένων δεδομένων, ώστε να ενισχυθεί η ακρίβεια των προβλέψεων και να μειωθεί η καρδιαγγειακή θνησιμότητα.	el
dc.format.extent	74	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	Πρόβλεψη θνησιμότητας από καρδιαγγειακά νοσήματα με τεχνικές μηχανικής μάθησης : ανάλυση χρονοσειρών και εφαρμογή LSTM	el
dc.title.alternative	Cardiovascular mortality prediction using machine learning techniques : time series analysis and LSTM application	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων	el
dc.description.abstractEN	This thesis investigates cardiovascular disease (CVD) mortality and develops a machine learning predictive model based on Long Short-Term Memory (LSTM) for estimating CVD trends up to 2035. Using historical mortality and population data, the analysis reveals a rising trend in CVD mortality, with predictions suggesting that global CVD deaths may exceed 243 per 100,000 population by 2035. In Greece, the mortality rate is expected to reach 482.4 per 100,000, reinforcing the need for effective public health interventions. The comparison of different forecasting models highlighted the superiority of LSTM over traditional statistical approaches such as ARIMA, achieving lower prediction error and higher accuracy. Additionally, the study emphasized the impact of socioeconomic and environmental factors on CVD progression, advocating for the integration of more variables into predictive models. The research concludes that AI applications in CVD forecasting can be a useful tool for public health policy-making, enabling targeted preventative interventions. Future improvements include developing hybrid LSTM-Transformer models and gathering more comprehensive data to enhance prediction accuracy and reduce cardiovascular mortality.	el
dc.contributor.master	Ψηφιακά Συστήματα και Υπηρεσίες	el
dc.subject.keyword	Καρδιοαγγειακά νοσήματα	el
dc.subject.keyword	Θνησιμότητα	el
dc.subject.keyword	Μηχανική μάθηση	el
dc.subject.keyword	LSTM	el
dc.subject.keyword	ARIMA	el
dc.date.defense	2025-07-08

Αρχεία σε αυτό το τεκμήριο

Name:: Priovolos_2324.pdf
Μέγεθος:: 2.546Mb
Τύπος:: PDF
Description:: Μεταπτυχιακή διατριβή

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Τμήμα Ψηφιακών Συστημάτων
Department of Digital Systems

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα

Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα