Εκτίμηση/πρόγνωση κλινικών παραμέτρων ηλικιωμένων ανθρώπων από πολυμορφικά δεδομένα μεγάλου όγκου

• Κύριος συγγραφέας: Ακίνο-Ελλούλ, Παύλος
• Άλλοι συγγραφείς: Aquino-Ellul, Pavlos
• Γλώσσα: Greek
• Έκδοση: 2022
• Θέματα: Μηχανική μάθηση; Επεξεργασία ιατρικών δεδομένων; FrailSafe; Python; Frailty

Η γήρανση του πληθυσμού αυξάνεται παγκοσμίως και εκτιμάται ότι θα φθάσει τα δύο δισεκατομμύρια άτομα ηλικίας άνω των 65 ετών έως το 2050 κάτι το οποίο επηρεάζει το σχεδιασμό και την παροχή υγειονομικής και κοινωνικής φροντίδας. Για αυτόν τον λόγο η ευρωπαϊκή ένωση έχει δώσει μεγάλη προτεραιότητα στην εύρεση ενός ευρέως αποδεκτού ορισμού της ευθραυστότητας καθώς τα εύθραυστα άτομα είναι υψηλοί χρήστες κοινοτικών πόρων, υπηρεσιών υγείας και νοσηλευτικών ιδρυμάτων. Θεωρείται ότι η έγκαιρη παρέμβαση σε εύθραυστα άτομα θα βελτιώσει την ποιότητα ζωής και θα μειώσει το κόστος των υπηρεσιών υγείας. Το FrailSafe είναι ένα πρόγραμμα επικεντρωμένο στην υγεία των ηλικιωμένων, με στόχους όπως την βαθύτερη κατανόηση της ευθραυστότητας και την σχέση της με συννοσηρότητες και τον σχεδιασμό και ανάπτυξη συσκευών για την επίτευξη αυτού του στόχου. Στην παρούσα διπλωματική θα αναλυθούν τα χώρο-χρονικά δεδομένα που συλλέχθηκαν κατά την διάρκεια του FrailSafe, η επεξεργασία τους, ο προσδιορισμός της ευθραυστότητας και η πρόβλεψη δυσμενών γεγονότων. Για κατηγοριοποίηση και την πρόβλεψη χρησιμοποιήθηκαν οι εξής μέθοδοι μηχανικής μάθησης: Knn, Decision Trees, Random Forests, Naive Bayes, SVM. Κατά την πειραματική αξιολόγηση παρατηρήθηκε πως η κατηγοριοποίηση δύο κλάσεων ευθραυστότητας ήταν αρκετά αξιόπιστη, σε αντίθεση με την κατηγοριοποίηση τριών κλάσεων. Στην περίπτωση της πρόβλεψης δυσμενών γεγονότων, πάλι παρατηρήθηκαν πολύ καλές αποδόσεις έως 92%.