Please use this identifier to cite or link to this item: http://dspace.lib.uom.gr/handle/2159/24395
Author: Δάσκαλος, Νικόλαος
Title: Τεχνητή νοημοσύνη στον τομέα της υγείας: η περίπτωση των καρδιακών παθήσεων
Date Issued: 2020
Department: Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών στα Πληροφοριακά Συστήματα
Supervisor: Ταραμπάνης, Κωνσταντίνος
Abstract: Η παρούσα Διπλωματική Εργασία ασχολείται με την εφαρμογή της Τεχνητής Νοημοσύνης στον τομέα της Υγείας και πιο συγκεκριμένα με την χρήση της Μηχανικής Μάθησης στις καρδιακές παθήσεις. Οι καρδιακές παθήσεις αποτελούν από τις πιο θανατηφόρες ασθένειες παγκοσμίως και κρίνεται επιτακτική η ανάγκη της πρόβλεψης τους με στόχο την καλύτερη πρόληψη και αντιμετώπιση από τους επαγγελματίες Υγείας. Βασικός στόχος της εργασίας είναι η δημιουργία μοντέλων πρόβλεψης της θνησιμότητας μέσα στο νοσοκομείο μετά από εισαγωγή με διάγνωση καρδιακής προσβολής και ταυτόχρονα η εξαγωγή των πιο κρίσιμων παραγόντων πρόβλεψης που οδηγούν σε θάνατο έπειτα από καρδιακή προσβολή. Για τους σκοπούς της εργασίας χρησιμοποιείται η Αμερικάνικη βάση δεδομένων NIS (National In-Patient Sample) από τις χρονιές 2012 έως και 2015. Μετά το αρχικό ξεκαθάρισμα των δεδομένων και τον ορισμό του προβλήματος εφαρμόζονται στα δεδομένα τέσσερις αλγόριθμοι Μηχανικής Μάθησης, γραμμικοί και δενδροειδείς, (Logistic Regression-Lasso, Logistic Regression-Ridge, XGBoost, Light GBM) για την εκπαίδευση των μοντέλων, μαζί με σύγχρονες τεχνικές Μηχανικής Μάθησης. Βασική μετρική αξιολόγησης των μοντέλων αποτελεί το AUC Score (Area Under the Curve Score), τα μοντέλα που προκύπτουν προβλέπουν με AUC Score σε όλες τις περιπτώσεις μεγαλύτερο από 0.9 την θνησιμότητα. Τα δενδροειδή μοντέλα υπερτερούν των γραμμικών, με τον αλγόριθμο XGBoost (0.9321) να έρχεται πρώτος, ο Light GBM (0.9234) δεύτερος και να ακολουθούν τα γραμμικά μοντέλα Ridge (0.9127) και Lasso (0.9112). Ως προς τις καλύτερες μεταβλητές ανά αλγόριθμο υπάρχει μια ομαλότητα στις βαθμολογίες τους με μικρές διαφορές ανάμεσα στους αλγόριθμους. Παράγοντες όπως οι εγχειρίσεις ή κάποιο επεισόδιο μέσα στο νοσοκομείο βρίσκονται σε υψηλές θέσεις, ενώ σε χαμηλότερες θέσεις βρίσκονται παράγοντες με προσωπικά χαρακτηριστικά, τρόπο ζωής και δημογραφικά χαρακτηριστικά του ασθενή. Η Μηχανική Μάθηση σε συνεργασία με ακριβή και σωστά σύνολα δεδομένων μπορεί να οδηγήσει σε πολύ σημαντικά συμπεράσματα τόσο στην καρδιολογία με την οποία ασχολείται η παρούσα εργασία όσο και σε εξίσου σημαντικούς τομείς όπως η καρκινολογία, οι νευρικές ασθένειες και το Alzheimer. Πέρα από την Μηχανική Μάθηση και οι υπόλοιποι τομείς της Τεχνητής Νοημοσύνης μπορούν να βοηθήσουν σημαντικά τον τομέα της Υγείας στο σύνολό του, όχι μόνο σε θέματα πρόβλεψης.
Keywords: Τεχνητή νοημοσύνη
Μηχανική μάθηση
Τομέας υγείας
Καρδιακές παθήσεις
Γλώσσα python
Βάση δεδομένων nis
Μοντέλα πρόβλεψης
Εξαγωγή χαρακτηριστικών
Information: Διπλωματική εργασία--Πανεπιστήμιο Μακεδονίας, Θεσσαλονίκη, 2020.
Rights: Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές
Appears in Collections:ΔΠΜΣ Πληροφοριακά Συστήματα (M)

Files in This Item:
File Description SizeFormat 
DaskalosNikolaosMsc2020.pdfΚείμενο4.7 MBAdobe PDFView/Open
DaskalosNikolaosMsc2020present.pdfΠαρουσίαση2.21 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons