Εξόρυξη ιατρικής γνώσης από μεγάλα δεδομένα για την πρόβλεψη ανάπτυξης στεφανιαίας νόσου
Υπάρχει έντονο ενδιαφέρον για την εξερεύνηση των μεγάλων δεδομένων όσο αφορά την ανάπτυξη της στεφανιαίας νόσου (CHD). Παρατηρείται ότι συγκεκριμένες μέθοδοι πρόβλεψης αυτής της ασθένειας έχουν την τάση να χρησιμοποιούνται περισσότερο. Η διακύμανση της στεφανιαίας θνησιμότητας, που προκαλείται από τ...
Κύριος συγγραφέας: | |
---|---|
Άλλοι συγγραφείς: | |
Γλώσσα: | Greek |
Έκδοση: |
2021
|
Θέματα: | |
Διαθέσιμο Online: | http://hdl.handle.net/10889/15562 |
id |
nemertes-10889-15562 |
---|---|
record_format |
dspace |
institution |
UPatras |
collection |
Nemertes |
language |
Greek |
topic |
Μεγάλα δεδομένα Στεφανιαία νόσος Τεχνητή νοημοσύνη Εξόρυξη ιατρικής γνώσης Ευφυές σύστημα Big data Coronary artery disease CHD Artificial intelligence Extraction of medical knowledge Intelligent systems |
spellingShingle |
Μεγάλα δεδομένα Στεφανιαία νόσος Τεχνητή νοημοσύνη Εξόρυξη ιατρικής γνώσης Ευφυές σύστημα Big data Coronary artery disease CHD Artificial intelligence Extraction of medical knowledge Intelligent systems Μαριέττου, Σαβίνα Εξόρυξη ιατρικής γνώσης από μεγάλα δεδομένα για την πρόβλεψη ανάπτυξης στεφανιαίας νόσου |
description |
Υπάρχει έντονο ενδιαφέρον για την εξερεύνηση των μεγάλων δεδομένων όσο αφορά την ανάπτυξη της στεφανιαίας νόσου (CHD). Παρατηρείται ότι συγκεκριμένες μέθοδοι πρόβλεψης αυτής της ασθένειας έχουν την τάση να χρησιμοποιούνται περισσότερο. Η διακύμανση της στεφανιαίας θνησιμότητας, που προκαλείται από τη στένωση των στεφανιαίων αρτηριών είναι σημαντική, οδηγεί σε ανισορροπία μεταξύ των λειτουργι-κών αναγκών της καρδιάς και της ικανότητας των στεφανιαίων αρτηριών να τροφοδο-τούν αίμα και οξυγόνο.
Λόγω της πολυπλοκότητας του καρδιαγγειακού συστήματος, των διάφορων υπαρχό-ντων παραγόντων καθώς και των σχετικών ερευνών, είναι δύσκολο να αναπτυχθούν προβλέψιμες μέθοδοι για τη διάγνωση, την πρόληψη και τη θεραπεία καρδιαγγειακών παθήσεων. Για τον λόγο αυτό, ο απώτερος σκοπός της παρούσας διπλωματικής είναι να δημιουργηθεί ένα έμπειρο σύστημα Τεχνητής Νοημοσύνης, με την βοήθεια ευ-φυών αλγορίθμων εξόρυξης γνώσης, το οποίο να προβλέπει την ανάπτυξης στεφανιαί-ας νόσου.
Η συγγραφή αυτής της διπλωματικής βασίζεται στη θεωρητική προσέγγιση της φυσιο-λογίας της καρδιάς, ακολουθούμενη από τη μελέτη αλλά και την ανάλυση της στεφα-νιαίας νόσου. Περιλαμβάνει τη συσχέτιση της πληροφορικής στον τομέα της υγείας, μέσω της τεχνητής νοημοσύνης. Μεταξύ άλλων, αυτή η έρευνα βασίζεται σε ιατρική βάση δεδομένων, με πραγματικές μετρήσεις από την Framingham Heart Study. Επι-προσθέτως, τα βασικά στοιχεία που παρέχονται από τη βάση δεδομένων έχουν υπο-βληθεί σε διάφορες τεχνικές προ επεξεργασίας, προκειμένου να δώσουν τα καλύτερα δυνατά αποτελέσματα.
Χρησιμοποιώντας εργαλεία Τεχνητής Νοημοσύνης, δημιουργήσαμε τρία ευφυή συ-στήματα που προβλέπουν την ανάπτυξη της στεφανιαίας νόσου. Παρουσιάζεται μια σύγκριση των αποτελεσμάτων αυτών των τριών συστημάτων. Συγκεκριμένα, το πιο έξυπνο σύστημα προβλέπει σε μεγάλο βαθμό, βάσει καθιερωμένων μέτρων απόδο-σης, την ανάπτυξη στεφανιαίας νόσου. Το παρόν σύντομο σημείωμα μας επέτρεψε να παρέχουμε μια επισκόπηση της στεφανιαίας νόσου, η οποία είναι η πιο κοινή αιτία θα-νάτου παγκοσμίως. Εν κατακλείδι, καταλήγουμε στα συμπεράσματα που προκύπτουν από αυτό το πόνημα. |
author2 |
Mariettou, Savina |
author_facet |
Mariettou, Savina Μαριέττου, Σαβίνα |
author |
Μαριέττου, Σαβίνα |
author_sort |
Μαριέττου, Σαβίνα |
title |
Εξόρυξη ιατρικής γνώσης από μεγάλα δεδομένα για την πρόβλεψη ανάπτυξης στεφανιαίας νόσου |
title_short |
Εξόρυξη ιατρικής γνώσης από μεγάλα δεδομένα για την πρόβλεψη ανάπτυξης στεφανιαίας νόσου |
title_full |
Εξόρυξη ιατρικής γνώσης από μεγάλα δεδομένα για την πρόβλεψη ανάπτυξης στεφανιαίας νόσου |
title_fullStr |
Εξόρυξη ιατρικής γνώσης από μεγάλα δεδομένα για την πρόβλεψη ανάπτυξης στεφανιαίας νόσου |
title_full_unstemmed |
Εξόρυξη ιατρικής γνώσης από μεγάλα δεδομένα για την πρόβλεψη ανάπτυξης στεφανιαίας νόσου |
title_sort |
εξόρυξη ιατρικής γνώσης από μεγάλα δεδομένα για την πρόβλεψη ανάπτυξης στεφανιαίας νόσου |
publishDate |
2021 |
url |
http://hdl.handle.net/10889/15562 |
work_keys_str_mv |
AT mariettousabina exoryxēiatrikēsgnōsēsapomegaladedomenagiatēnproblepsēanaptyxēsstephaniaiasnosou AT mariettousabina medicaldataminingfrombigdataforcoronaryheartdiseaseprediction |
_version_ |
1771297281733033984 |
spelling |
nemertes-10889-155622022-09-05T20:23:06Z Εξόρυξη ιατρικής γνώσης από μεγάλα δεδομένα για την πρόβλεψη ανάπτυξης στεφανιαίας νόσου Medical data mining from big data for coronary heart disease prediction Μαριέττου, Σαβίνα Mariettou, Savina Μεγάλα δεδομένα Στεφανιαία νόσος Τεχνητή νοημοσύνη Εξόρυξη ιατρικής γνώσης Ευφυές σύστημα Big data Coronary artery disease CHD Artificial intelligence Extraction of medical knowledge Intelligent systems Υπάρχει έντονο ενδιαφέρον για την εξερεύνηση των μεγάλων δεδομένων όσο αφορά την ανάπτυξη της στεφανιαίας νόσου (CHD). Παρατηρείται ότι συγκεκριμένες μέθοδοι πρόβλεψης αυτής της ασθένειας έχουν την τάση να χρησιμοποιούνται περισσότερο. Η διακύμανση της στεφανιαίας θνησιμότητας, που προκαλείται από τη στένωση των στεφανιαίων αρτηριών είναι σημαντική, οδηγεί σε ανισορροπία μεταξύ των λειτουργι-κών αναγκών της καρδιάς και της ικανότητας των στεφανιαίων αρτηριών να τροφοδο-τούν αίμα και οξυγόνο. Λόγω της πολυπλοκότητας του καρδιαγγειακού συστήματος, των διάφορων υπαρχό-ντων παραγόντων καθώς και των σχετικών ερευνών, είναι δύσκολο να αναπτυχθούν προβλέψιμες μέθοδοι για τη διάγνωση, την πρόληψη και τη θεραπεία καρδιαγγειακών παθήσεων. Για τον λόγο αυτό, ο απώτερος σκοπός της παρούσας διπλωματικής είναι να δημιουργηθεί ένα έμπειρο σύστημα Τεχνητής Νοημοσύνης, με την βοήθεια ευ-φυών αλγορίθμων εξόρυξης γνώσης, το οποίο να προβλέπει την ανάπτυξης στεφανιαί-ας νόσου. Η συγγραφή αυτής της διπλωματικής βασίζεται στη θεωρητική προσέγγιση της φυσιο-λογίας της καρδιάς, ακολουθούμενη από τη μελέτη αλλά και την ανάλυση της στεφα-νιαίας νόσου. Περιλαμβάνει τη συσχέτιση της πληροφορικής στον τομέα της υγείας, μέσω της τεχνητής νοημοσύνης. Μεταξύ άλλων, αυτή η έρευνα βασίζεται σε ιατρική βάση δεδομένων, με πραγματικές μετρήσεις από την Framingham Heart Study. Επι-προσθέτως, τα βασικά στοιχεία που παρέχονται από τη βάση δεδομένων έχουν υπο-βληθεί σε διάφορες τεχνικές προ επεξεργασίας, προκειμένου να δώσουν τα καλύτερα δυνατά αποτελέσματα. Χρησιμοποιώντας εργαλεία Τεχνητής Νοημοσύνης, δημιουργήσαμε τρία ευφυή συ-στήματα που προβλέπουν την ανάπτυξη της στεφανιαίας νόσου. Παρουσιάζεται μια σύγκριση των αποτελεσμάτων αυτών των τριών συστημάτων. Συγκεκριμένα, το πιο έξυπνο σύστημα προβλέπει σε μεγάλο βαθμό, βάσει καθιερωμένων μέτρων απόδο-σης, την ανάπτυξη στεφανιαίας νόσου. Το παρόν σύντομο σημείωμα μας επέτρεψε να παρέχουμε μια επισκόπηση της στεφανιαίας νόσου, η οποία είναι η πιο κοινή αιτία θα-νάτου παγκοσμίως. Εν κατακλείδι, καταλήγουμε στα συμπεράσματα που προκύπτουν από αυτό το πόνημα. There is intense interest in exploring the big data regarding the development of coro-nary heart disease (CHD). It is observed that specific methods of predicting this dis-ease tend to be used more. In addition, the variation in coronary mortality is signifi-cant, caused by the narrowing of the coronary arteries, leading to an imbalance be-tween the functional needs of the heart and the ability of the coronary arteries to sup-ply blood and oxygen. Due to the complexity of the cardiovascular system, various existing factors as well as relevant research, it is difficult to develop predictive methods for the diagnosis, pre-vention and treatment of cardiovascular diseases. It is for this reason that the ultimate goal of this thesis is, through the help of intelligent knowledge mining algorithms, to create an expert system of Artificial Intelligence, which predicts the development of the coronary artery disease. The writing of this thesis is, grounded on the theoretical approach of the physiology of the heart, followed by the study but also by the analysis of coronary heart disease. It naturally includes the correlation of information technology (IT) in the field of health, through Artificial Intelligence. Among other things, this research is based on a medical database, with real measurements from the Framingham Heart Study. The essential elements provided by the database undergone various pre-processing techniques, in order to give the best possible results. Using Αrtificial Ιntelligence tools, we have created three intelligent systems that pre-dict the development of coronary heart disease. A comparison of the results of these three systems is presented. In particular, the smartest system largely predicts the de-velopment of coronary heart disease based on established performance measures. It is in this context that this brief has enabled us to provide an overview of coronary artery disease, which is the most common cause of death worldwide. As an epilogue, we end with the conclusions that emerge from this work. 2021-11-10T06:17:04Z 2021-11-10T06:17:04Z 2021 http://hdl.handle.net/10889/15562 gr application/pdf |