| _version_ |
1828460695195222016
|
| author |
Κουτέλακης, Σταμάτιος
|
| author2 |
Δούνιας, Γεώργιος
|
| author_facet |
Δούνιας, Γεώργιος
Κουτέλακης, Σταμάτιος
|
| author_sort |
Κουτέλακης, Σταμάτιος
|
| collection |
DSpace
|
| description |
Αντικείμενο μελέτης της συγκεκριμένης διπλωματικής εργασίας είναι το πρόβλημα διάγνωσης της πολυνευροπάθειας βάσει του οποίου αναλύονται συγκεκριμένα ιατρικά δεδομένα, με απώτερο σκοπό την εξόρυξη γνώσης εξ αυτών.
Ο ακριβής καθορισμός μιας μορφής πολυνευροπάθειας, αποτελεί το πιο σημαντικό και δυσκολότερο μέρος της θεραπείας του πάσχοντα ασθενή. Οι κυριότεροι λόγοι περιπλοκότητας της διάγνωσης, οφείλονται στην ποικιλότητα των προσβεβλημένων περιφερικών νεύρων.
Παρόλα αυτά, μια ομάδα ερευνητών και ιατρών, από το τμήμα Νευρολογίας του Πανεπιστημίου της Βασιλείας και του αντίστοιχου τμήματος (Hans Berger) του Πανεπιστημίου της Ίενας στη Γερμανία κατάφερε να δημιουργήσει ένα μοντέλο κατηγοριοποίησης 4 τύπων πολυνευροπάθειας με ποσοστό ακρίβειας (79,78%). Το συγκεκριμένο μοντέλο βασίστηκε σε ένα πρότυπο υπερηχοτομογραφίας (UPSS), που προέκυψε από τις συγκρίσεις 28 ιατρικών ελέγχων σε ένα δείγμα 61 ασθενών με οξεία ή υποξεία νευροπάθεια.
Όπως προαναφέρθηκε, σκοπός της συγκεκριμένης εργασίας είναι η ανάπτυξη ενός απλού και κατανοητού μοντέλου κατηγοριοποίησης συγκεκριμένων περιπτώσεων πολυνευροπάθειας βάσει μια συγκεκριμένης Βάσης Δεδομένων και χρησιμοποιώντας τεχνικές υπολογιστικής νοημοσύνης. Η χρησιμοποιούμενη Βάση Δεδομένων αποτελείται από 32 ιατρικές παρατηρήσεις (32 μεταβλητές) 350 πιθανών ασθενών, ενώ, για την ανάπτυξη των αντίστοιχων μοντέλων ταξινόμησης, χρησιμοποιήθηκαν τα δένδρα κατηγοριοποίησης.
Ολοκληρώνοντας τη συγκεκριμένη εργασία συμπεραίνουμε πως τα μοντέλα J48(136,5) και J48(183,6), που προέκυψαν από την πειραματική διαδικασία, είναι ικανά και αξιόπιστα να συμβάλλουν στη διαδικασία της διάγνωσης του προβλήματος της πολυνευροπάθειας στην καθημερινή ρουτίνα. Πιο συγκεκριμένα, τα μοντέλα J48(136,5) και J48(183,6) ταξινομούν με ικανοποιητικά υψηλό ποσοστό ακρίβειας (83,82%/80,32%) τους τύπους διάγνωσης: υγιής, β)CIPD/CIAP, γ)GBS, δ) Axonal other) και ε)Vasculitis. Τέλος, παρουσιάζουμε εναλλακτικές προτάσεις ανακατασκευής της πρωταρχικής βάσης PNP(350,32) για την επίλυση των προβλημάτων αμεροληψίας και την εκ νέου διεξαγωγή πειραμάτων.
|
| id |
oai:hellanicus.lib.aegean.gr:11610-20744
|
| institution |
Hellanicus
|
| language |
el_GR
|
| publishDate |
2020
|
| record_format |
dspace
|
| spelling |
oai:hellanicus.lib.aegean.gr:11610-207442020-05-11T10:21:04Z Νοήμονες μέθοδοι ανάλυσης ιατρικών δεδομένων εφαρμογές σε προβλήματα διάγνωσης νευρολογίας Κουτέλακης, Σταμάτιος Δούνιας, Γεώργιος machine learning polyneuropathy Machines (URL: http://skos.um.es/unescothes/C02346) Learning (URL: http://id.loc.gov/authorities/subjects/sh85075520) Polyneuropathies (URL: http://id.loc.gov/authorities/subjects/sh87001501) Αντικείμενο μελέτης της συγκεκριμένης διπλωματικής εργασίας είναι το πρόβλημα διάγνωσης της πολυνευροπάθειας βάσει του οποίου αναλύονται συγκεκριμένα ιατρικά δεδομένα, με απώτερο σκοπό την εξόρυξη γνώσης εξ αυτών. Ο ακριβής καθορισμός μιας μορφής πολυνευροπάθειας, αποτελεί το πιο σημαντικό και δυσκολότερο μέρος της θεραπείας του πάσχοντα ασθενή. Οι κυριότεροι λόγοι περιπλοκότητας της διάγνωσης, οφείλονται στην ποικιλότητα των προσβεβλημένων περιφερικών νεύρων. Παρόλα αυτά, μια ομάδα ερευνητών και ιατρών, από το τμήμα Νευρολογίας του Πανεπιστημίου της Βασιλείας και του αντίστοιχου τμήματος (Hans Berger) του Πανεπιστημίου της Ίενας στη Γερμανία κατάφερε να δημιουργήσει ένα μοντέλο κατηγοριοποίησης 4 τύπων πολυνευροπάθειας με ποσοστό ακρίβειας (79,78%). Το συγκεκριμένο μοντέλο βασίστηκε σε ένα πρότυπο υπερηχοτομογραφίας (UPSS), που προέκυψε από τις συγκρίσεις 28 ιατρικών ελέγχων σε ένα δείγμα 61 ασθενών με οξεία ή υποξεία νευροπάθεια. Όπως προαναφέρθηκε, σκοπός της συγκεκριμένης εργασίας είναι η ανάπτυξη ενός απλού και κατανοητού μοντέλου κατηγοριοποίησης συγκεκριμένων περιπτώσεων πολυνευροπάθειας βάσει μια συγκεκριμένης Βάσης Δεδομένων και χρησιμοποιώντας τεχνικές υπολογιστικής νοημοσύνης. Η χρησιμοποιούμενη Βάση Δεδομένων αποτελείται από 32 ιατρικές παρατηρήσεις (32 μεταβλητές) 350 πιθανών ασθενών, ενώ, για την ανάπτυξη των αντίστοιχων μοντέλων ταξινόμησης, χρησιμοποιήθηκαν τα δένδρα κατηγοριοποίησης. Ολοκληρώνοντας τη συγκεκριμένη εργασία συμπεραίνουμε πως τα μοντέλα J48(136,5) και J48(183,6), που προέκυψαν από την πειραματική διαδικασία, είναι ικανά και αξιόπιστα να συμβάλλουν στη διαδικασία της διάγνωσης του προβλήματος της πολυνευροπάθειας στην καθημερινή ρουτίνα. Πιο συγκεκριμένα, τα μοντέλα J48(136,5) και J48(183,6) ταξινομούν με ικανοποιητικά υψηλό ποσοστό ακρίβειας (83,82%/80,32%) τους τύπους διάγνωσης: υγιής, β)CIPD/CIAP, γ)GBS, δ) Axonal other) και ε)Vasculitis. Τέλος, παρουσιάζουμε εναλλακτικές προτάσεις ανακατασκευής της πρωταρχικής βάσης PNP(350,32) για την επίλυση των προβλημάτων αμεροληψίας και την εκ νέου διεξαγωγή πειραμάτων. The subject’s study of this specific thesis is the diagnostical problem of polyneuropathy, based on which particular medical data are analyzed, with the ultimate purpose of extracting knowledge of them. The precise definition of a form of polyneuropathy is the most important and most difficult part of the treatment for the suffering patient. The main reasons for the complexity of diagnosis are due to the variety of affected peripheral nerves. However, a team of researchers and physicians from the Department of Neurology at the University of Basel and the Hans Berger department of the University of Jena in Germany managed to create a classified model of 4 types of polyneuropathy with precision percentage of 79.78%. This model was based on an ultrasound scanning model (UPSS), as it emerged from comparisons of 28 medical tests in a sample of 61 patients with acute or subacute neuropathy. As mentioned above, the purpose of this work is to develop a simple and comprehensible sorting model in specific cases of polyneuropathy based on a specific database and by using computational intelligence techniques. The database which was used, consists of 32 medical variables of 350 possible patients, while the classification trees were used for the creation of the corresponding classification models. By consummating this thesis, we conclude that the J48(136,5) and J48(183,6) models, which have emerged from the experimental process, are capable and reliable to contribute to the diagnostic process of polyneuropathy in the daily routine. To be more specific, the J48(136,5) and J48(183,6) models classify with a high percentage of accuracy (83.82%/80.32%) the following diagnostic types: a)Healthy, b)CIPD/CIAP, c)GBS, d)Axonal other and e)Vasculitis. Finally, we present alternative proposals for the reconstruction of the PNP(350,32) database, in order to solve the problems of impartiality and to conduct new experiments. 2020-05-10T07:27:28Z 2020-05-10T07:27:28Z 2018-09 http://hdl.handle.net/11610/20744 el_GR CC0 1.0 Παγκόσμια Αναφορά Δημιουργού 4.0 Διεθνές http://creativecommons.org/licenses/by/4.0/ 167 σ. application/pdf Χίος
|
| spellingShingle |
machine
learning
polyneuropathy
Machines (URL: http://skos.um.es/unescothes/C02346)
Learning (URL: http://id.loc.gov/authorities/subjects/sh85075520)
Polyneuropathies (URL: http://id.loc.gov/authorities/subjects/sh87001501)
Κουτέλακης, Σταμάτιος
Νοήμονες μέθοδοι ανάλυσης ιατρικών δεδομένων εφαρμογές σε προβλήματα διάγνωσης νευρολογίας
|
| title |
Νοήμονες μέθοδοι ανάλυσης ιατρικών δεδομένων εφαρμογές σε προβλήματα διάγνωσης νευρολογίας
|
| title_full |
Νοήμονες μέθοδοι ανάλυσης ιατρικών δεδομένων εφαρμογές σε προβλήματα διάγνωσης νευρολογίας
|
| title_fullStr |
Νοήμονες μέθοδοι ανάλυσης ιατρικών δεδομένων εφαρμογές σε προβλήματα διάγνωσης νευρολογίας
|
| title_full_unstemmed |
Νοήμονες μέθοδοι ανάλυσης ιατρικών δεδομένων εφαρμογές σε προβλήματα διάγνωσης νευρολογίας
|
| title_short |
Νοήμονες μέθοδοι ανάλυσης ιατρικών δεδομένων εφαρμογές σε προβλήματα διάγνωσης νευρολογίας
|
| title_sort |
νοήμονες μέθοδοι ανάλυσης ιατρικών δεδομένων εφαρμογές σε προβλήματα διάγνωσης νευρολογίας
|
| topic |
machine
learning
polyneuropathy
Machines (URL: http://skos.um.es/unescothes/C02346)
Learning (URL: http://id.loc.gov/authorities/subjects/sh85075520)
Polyneuropathies (URL: http://id.loc.gov/authorities/subjects/sh87001501)
|
| url |
http://hdl.handle.net/11610/20744
|
| work_keys_str_mv |
AT koutelakēsstamatios noēmonesmethodoianalysēsiatrikōndedomenōnepharmogesseproblēmatadiagnōsēsneurologias
|