dc.contributor.advisor | Μπερσίμης, Σωτήριος | |
dc.contributor.author | Ελευθεράκου, Όλγα | |
dc.date.accessioned | 2023-04-05T09:22:56Z | |
dc.date.available | 2023-04-05T09:22:56Z | |
dc.date.issued | 2023-03 | |
dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/15327 | |
dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/2749 | |
dc.description.abstract | Στις μέρες μας, η μηχανική μάθηση έχει γίνει βασικό εργαλείο για την
καταπολέμηση της νόσου του Πάρκινσον. Με την ικανότητά της να αναλύει τεράστιες
ποσότητες δεδομένων, η μηχανική μάθηση μπορεί να βοηθήσει στην έγκαιρη
ανίχνευση και την ακριβή διάγνωση της νόσου του Πάρκινσον. Μπο ρεί επίσης να
βοηθήσει στην παρακολούθηση της εξέλιξης της νόσου και στην πρόβλεψη των
αποτελεσμάτων των ασθενών. Οι αλγόριθμοι μηχανικής μάθησης μπορούν επίσης να
χρησιμοποιηθούν για τον εντοπισμό πιθανών νέων φαρμακευτικών στόχων και την
αξιολόγηση της αποτελεσματικότητας των υφιστάμενων θεραπειών. Επιπλέον, η
μηχανική μάθηση μπορεί να βοηθήσει στην ανάπτυξη εξατομικευμένων σχεδίων
θεραπείας για τους ασθενείς, λαμβάνοντας υπόψη τις ατομικές διαφορές στην
παρουσίαση της νόσου και την ανταπόκριση στις θεραπείες. Εν γένει, η μηχανική
μάθηση έχει τη δυνατότητα να φέρει επανάσταση στην κατανόηση και τη θεραπεία της
νόσου του Πάρκινσον, βελτιώνοντας τελικά τα αποτελέσματα και την ποιότητα ζωής
των ασθενών. Στην παρούσα εργασία, γίνεται μια εκτενής περιγραφή σε προβλήματα
που εφάπτονται στην αντιμετώπιση της Νόσου του Πάρκινσον, ενώ δίνεται
περισσότερη έμφαση στη διαχείριση δεδομένων από Holter ώστε να παρθεί απόφαση,
χρησιμοποιώντας μεθόδους μηχανικής μάθησης, για το ποιοι ασθενείς είναι
κατάλληλοι για «εν τω βάθει εγκεφαλική διέγερση». | el |
dc.format.extent | 113 | 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 | Εφαρμογές μηχανικής μάθησης στη νόσο του Parkinson | el |
dc.title.alternative | Applications of machine learning in Parkinson's disease | el |
dc.type | Master Thesis | el |
dc.contributor.department | Σχολή Χρηματοοικονομικής και Στατιστικής. Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης | el |
dc.description.abstractEN | Nowadays, machine learning has become an essential tool in the fight against Parkinson's
disease. With its ability to analyse vast amounts of data, machine learning can assist in the early
detection and accurate diagnosis of Parkinson's disease. It can also help track disease
progression and predict patient outcomes. Machine learning algorithms can also be used to
identify potential new drug targets and evaluate the efficacy of existing treatments. Moreover,
machine learning can aid in the development of personalized treatment plans for patients, taking
into account individual differences in disease presentation and response to therapies. Overall,
machine learning has the potential to revolutionize our understanding and treatment of
Parkinson's disease, ultimately improving patient outcomes and quality of life. In this thesis, an
extensive description is given of problems that are relevant to the treatment of Parkinson's
Disease, with more emphasis on Holter data management to make a decision, using machine
learning methods, about which patients are suitable for deep brain stimulation (DBS). | el |
dc.contributor.master | Εφαρμοσμένη Στατιστική | el |
dc.subject.keyword | Νόσος Πάρκινσον | el |
dc.subject.keyword | Μηχανική μάθηση | el |
dc.subject.keyword | Στατιστική | el |
dc.subject.keyword | Holter | el |
dc.subject.keyword | Νευρωνικά δίκτυα | el |
dc.subject.keyword | Machine learning | el |
dc.subject.keyword | Parkinson's disease | el |
dc.subject.keyword | Neural networks | el |
dc.subject.keyword | Statistics | el |
dc.date.defense | 2023-03-31 | |