{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:1315748"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:1315748","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Ανάλυση ιατρικών δεδομένων με χρήση Hidden Markov Models","abstract":"Τα Μαρκοβιανά Μοντέλα (Markov Models) έχουν πολλές εφαρμογές σε ποικίλα επιστημονικά πεδία ήδη από τη δεκαετία του ‘70, όπως για παράδειγμα στη φυσική, τη χημεία, τις κοινωνικές επιστήμες, την αναγνώριση και επεξεργασία ήχου, εικόνας κ.ά. Τα Hidden Markov Models (HMMs) αποτελούν μία κατηγορία Μαρκοβιανών Μοντέλων, από τα πρώτα που εφαρμόστηκαν με μεγάλη επιτυχία στην επίλυση πολλών βιολογικών προβλημάτων. Χρησιμοποιούνται ευρέως στην ανάλυση βιολογικών ακολουθιών, ανίχνευση πρωτεϊνικών ομολογιών, εύρεση γονιδίων κλπ. Αποτελούν πλέον ένα μοναδικό κομμάτι στα πεδία της Βιοπληροφορικής. Στην παρούσα εργασία, αναλύουμε ορισμένες από τις ενδεικτικότερες μελέτες με εφαρμογή των Μαρκοβιανών Μοντέλων σε ποικίλα ερευνητικά πεδία (π.χ. στην εξέλιξη χρόνιων ασθενειών), αναφερόμενοι στις διάφορες μεθόδους που χρησιμοποιούνται από τους ερευνητές για τη δημιουργία των μοντέλων αυτών. Τελειώνοντας, αναπτύσσουμε μία εφαρμογή ενός HMM στην εξέλιξη της αναιμίας, μελετώντας ένα δείγμα ασθενών με χρόνια νεφρική νόσο για ένα διάστημα 12 μηνών. Η παραπάνω εφαρμογή έγινε με τη βοήθεια του λογισμικού MATLAB, με επιπρόσθετο πακέτο το “HMM toolbox for MATLAB”, το οποίο διατίθεται κάτω από την άδεια χρήσης του Massachusetts Institute of Technology (ΜΙΤ) των ΗΠΑ. Καταλήξαμε σε ένα πιο γενικευμένο τρόπο παρακολούθησης της διακύμανσης του αιματοκρίτη (καθώς η τιμή αυτού αποτελεί βασική ένδειξη εμφάνισης ή μη αναιμίας), για όλους τους ασθενείς ταυτόχρονα. Με τον αλγόριθμο Viterbi, έναν αλγόριθμο δυναμικού προγραμματισμού, οδηγηθήκαμε στην πιο πιθανή ακολουθία των κρυφών καταστάσεων από τις οποίες πέρασαν οι ασθενείς του δείγματός μας, οδηγώντας σε μία ακολουθία παρατηρήσεων των τιμών του αιματοκρίτη. Γενικότερα, παρατηρήθηκαν διαφορές στην απόκριση των ασθενών στη θεραπεία οι οποίες μπορεί να οφείλονται σε πλήθος παραγόντων, όπως το φύλο, συνύπαρξη άλλων ασθενειών κ.ά. Η περαιτέρω διερεύνηση των παραπάνω δεν έγκειται στα πλαίσια της συγκεκριμένης μελέτης, θέτει ωστόσο αρκετούς προβληματισμούς για μελλοντική έρευνα στον τομέα αυτό.","abstract_html":"Τα Μαρκοβιανά Μοντέλα (Markov Models) έχουν πολλές εφαρμογές σε ποικίλα επιστημονικά πεδία ήδη από τη δεκαετία του ‘70, όπως για παράδειγμα στη φυσική, τη χημεία, τις κοινωνικές επιστήμες, την αναγνώριση και επεξεργασία ήχου, εικόνας κ.ά. Τα Hidden Markov Models (HMMs) αποτελούν μία κατηγορία Μαρκοβιανών Μοντέλων, από τα πρώτα που εφαρμόστηκαν με μεγάλη επιτυχία στην επίλυση πολλών βιολογικών προβλημάτων. Χρησιμοποιούνται ευρέως στην ανάλυση βιολογικών ακολουθιών, ανίχνευση πρωτεϊνικών ομολογιών, εύρεση γονιδίων κλπ. Αποτελούν πλέον ένα μοναδικό κομμάτι στα πεδία της Βιοπληροφορικής. Στην παρούσα εργασία, αναλύουμε ορισμένες από τις ενδεικτικότερες μελέτες με εφαρμογή των Μαρκοβιανών Μοντέλων σε ποικίλα ερευνητικά πεδία (π.χ. στην εξέλιξη χρόνιων ασθενειών), αναφερόμενοι στις διάφορες μεθόδους που χρησιμοποιούνται από τους ερευνητές για τη δημιουργία των μοντέλων αυτών. Τελειώνοντας, αναπτύσσουμε μία εφαρμογή ενός HMM στην εξέλιξη της αναιμίας, μελετώντας ένα δείγμα ασθενών με χρόνια νεφρική νόσο για ένα διάστημα 12 μηνών. Η παραπάνω εφαρμογή έγινε με τη βοήθεια του λογισμικού MATLAB, με επιπρόσθετο πακέτο το “HMM toolbox for MATLAB”, το οποίο διατίθεται κάτω από την άδεια χρήσης του Massachusetts Institute of Technology (ΜΙΤ) των ΗΠΑ. Καταλήξαμε σε ένα πιο γενικευμένο τρόπο παρακολούθησης της διακύμανσης του αιματοκρίτη (καθώς η τιμή αυτού αποτελεί βασική ένδειξη εμφάνισης ή μη αναιμίας), για όλους τους ασθενείς ταυτόχρονα. Με τον αλγόριθμο Viterbi, έναν αλγόριθμο δυναμικού προγραμματισμού, οδηγηθήκαμε στην πιο πιθανή ακολουθία των κρυφών καταστάσεων από τις οποίες πέρασαν οι ασθενείς του δείγματός μας, οδηγώντας σε μία ακολουθία παρατηρήσεων των τιμών του αιματοκρίτη. Γενικότερα, παρατηρήθηκαν διαφορές στην απόκριση των ασθενών στη θεραπεία οι οποίες μπορεί να οφείλονται σε πλήθος παραγόντων, όπως το φύλο, συνύπαρξη άλλων ασθενειών κ.ά. Η περαιτέρω διερεύνηση των παραπάνω δεν έγκειται στα πλαίσια της συγκεκριμένης μελέτης, θέτει ωστόσο αρκετούς προβληματισμούς για μελλοντική έρευνα στον τομέα αυτό.","abstract_has_math":false,"creators":["Δημοπούλου Ελευθερία"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2012,"date_issued":"2012","date_published":"2012","updated_at":"2026-11-19T05:24:17Z","subjects":[],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1315748"],"render_values":[{"text":"uoadl:1315748","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1315748","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1315748","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A1315748","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Δημοπούλου Ελευθερία"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2012"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1315748","https://pergamos.lib.uoa.gr/uoa/dl/object/1315748"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Τα Μαρκοβιανά Μοντέλα (Markov Models) έχουν πολλές εφαρμογές σε ποικίλα επιστημονικά πεδία ήδη από τη δεκαετία του ‘70, όπως για παράδειγμα στη φυσική, τη χημεία, τις κοινωνικές επιστήμες, την αναγνώριση και επεξεργασία ήχου, εικόνας κ.ά. Τα Hidden Markov Models (HMMs) αποτελούν μία κατηγορία Μαρκοβιανών Μοντέλων, από τα πρώτα που εφαρμόστηκαν με μεγάλη επιτυχία στην επίλυση πολλών βιολογικών προβλημάτων. Χρησιμοποιούνται ευρέως στην ανάλυση βιολογικών ακολουθιών, ανίχνευση πρωτεϊνικών ομολογιών, εύρεση γονιδίων κλπ. Αποτελούν πλέον ένα μοναδικό κομμάτι στα πεδία της Βιοπληροφορικής. Στην παρούσα εργασία, αναλύουμε ορισμένες από τις ενδεικτικότερες μελέτες με εφαρμογή των Μαρκοβιανών Μοντέλων σε ποικίλα ερευνητικά πεδία (π.χ. στην εξέλιξη χρόνιων ασθενειών), αναφερόμενοι στις διάφορες μεθόδους που χρησιμοποιούνται από τους ερευνητές για τη δημιουργία των μοντέλων αυτών. Τελειώνοντας, αναπτύσσουμε μία εφαρμογή ενός HMM στην εξέλιξη της αναιμίας, μελετώντας ένα δείγμα ασθενών με χρόνια νεφρική νόσο για ένα διάστημα 12 μηνών. Η παραπάνω εφαρμογή έγινε με τη βοήθεια του λογισμικού MATLAB, με επιπρόσθετο πακέτο το “HMM toolbox for MATLAB”, το οποίο διατίθεται κάτω από την άδεια χρήσης του Massachusetts Institute of Technology (ΜΙΤ) των ΗΠΑ. Καταλήξαμε σε ένα πιο γενικευμένο τρόπο παρακολούθησης της διακύμανσης του αιματοκρίτη (καθώς η τιμή αυτού αποτελεί βασική ένδειξη εμφάνισης ή μη αναιμίας), για όλους τους ασθενείς ταυτόχρονα. Με τον αλγόριθμο Viterbi, έναν αλγόριθμο δυναμικού προγραμματισμού, οδηγηθήκαμε στην πιο πιθανή ακολουθία των κρυφών καταστάσεων από τις οποίες πέρασαν οι ασθενείς του δείγματός μας, οδηγώντας σε μία ακολουθία παρατηρήσεων των τιμών του αιματοκρίτη. Γενικότερα, παρατηρήθηκαν διαφορές στην απόκριση των ασθενών στη θεραπεία οι οποίες μπορεί να οφείλονται σε πλήθος παραγόντων, όπως το φύλο, συνύπαρξη άλλων ασθενειών κ.ά. Η περαιτέρω διερεύνηση των παραπάνω δεν έγκειται στα πλαίσια της συγκεκριμένης μελέτης, θέτει ωστόσο αρκετούς προβληματισμούς για μελλοντική έρευνα στον τομέα αυτό.","Markov models have many applications in various scientific fields since the '70s, such as physics, chemistry, social sciences, recognition and processing of audio, image, etc. Hidden Markov Models (HMMs) are a class of Markov models, the first applied successfully to solve many biological problems. They are widely used in biological sequence analysis, protein detection bonds, finding genes etc. They have become a unique piece in the fields of Bioinformatics. In this master thesis, we analyze some of the most indicative studies with application of Markov models in a variety of research fields (eg chronic diseases evolution), referring to the various methods used by researchers to create such models. Finally, we develop an implementation of an HMM in the evolution of anemia, studying a sample of patients with chronic kidney disease for a period of 12 months. The above application was developed by using the MATLAB software, with additional package \"HMM toolbox for MATLAB\", which is released under the license of the Massachusetts Institute of Technology (MIT), USA. We came up with a more generalized way of monitoring the variability of hematocrit (as its value is a key indicator of occurrence or not of anemia) for all patients simultaneously. With the Viterbi algorithm, a dynamic programming algorithm, we were led to the most likely sequence of hidden states from which the patients in our sample passed, leading to a sequence of observations of hematocrit values. Generally, there were differences in the patients’ response to treatment which may be due to many factors such as gender, coexistence of other diseases, etc. Further investigation of these does not lie in the present study, however, it sets several concerns for future research in this area."]},{"key":"dc:title","label":"Title","values":["Ανάλυση ιατρικών δεδομένων με χρήση Hidden Markov Models"]}]}],"canonical_facts":{"dc:creator":["Δημοπούλου Ελευθερία"],"dc:date":["2012"],"dc:description":["Τα Μαρκοβιανά Μοντέλα (Markov Models) έχουν πολλές εφαρμογές σε ποικίλα επιστημονικά πεδία ήδη από τη δεκαετία του ‘70, όπως για παράδειγμα στη φυσική, τη χημεία, τις κοινωνικές επιστήμες, την αναγνώριση και επεξεργασία ήχου, εικόνας κ.ά. Τα Hidden Markov Models (HMMs) αποτελούν μία κατηγορία Μαρκοβιανών Μοντέλων, από τα πρώτα που εφαρμόστηκαν με μεγάλη επιτυχία στην επίλυση πολλών βιολογικών προβλημάτων. Χρησιμοποιούνται ευρέως στην ανάλυση βιολογικών ακολουθιών, ανίχνευση πρωτεϊνικών ομολογιών, εύρεση γονιδίων κλπ. Αποτελούν πλέον ένα μοναδικό κομμάτι στα πεδία της Βιοπληροφορικής. Στην παρούσα εργασία, αναλύουμε ορισμένες από τις ενδεικτικότερες μελέτες με εφαρμογή των Μαρκοβιανών Μοντέλων σε ποικίλα ερευνητικά πεδία (π.χ. στην εξέλιξη χρόνιων ασθενειών), αναφερόμενοι στις διάφορες μεθόδους που χρησιμοποιούνται από τους ερευνητές για τη δημιουργία των μοντέλων αυτών. Τελειώνοντας, αναπτύσσουμε μία εφαρμογή ενός HMM στην εξέλιξη της αναιμίας, μελετώντας ένα δείγμα ασθενών με χρόνια νεφρική νόσο για ένα διάστημα 12 μηνών. Η παραπάνω εφαρμογή έγινε με τη βοήθεια του λογισμικού MATLAB, με επιπρόσθετο πακέτο το “HMM toolbox for MATLAB”, το οποίο διατίθεται κάτω από την άδεια χρήσης του Massachusetts Institute of Technology (ΜΙΤ) των ΗΠΑ. Καταλήξαμε σε ένα πιο γενικευμένο τρόπο παρακολούθησης της διακύμανσης του αιματοκρίτη (καθώς η τιμή αυτού αποτελεί βασική ένδειξη εμφάνισης ή μη αναιμίας), για όλους τους ασθενείς ταυτόχρονα. Με τον αλγόριθμο Viterbi, έναν αλγόριθμο δυναμικού προγραμματισμού, οδηγηθήκαμε στην πιο πιθανή ακολουθία των κρυφών καταστάσεων από τις οποίες πέρασαν οι ασθενείς του δείγματός μας, οδηγώντας σε μία ακολουθία παρατηρήσεων των τιμών του αιματοκρίτη. Γενικότερα, παρατηρήθηκαν διαφορές στην απόκριση των ασθενών στη θεραπεία οι οποίες μπορεί να οφείλονται σε πλήθος παραγόντων, όπως το φύλο, συνύπαρξη άλλων ασθενειών κ.ά. Η περαιτέρω διερεύνηση των παραπάνω δεν έγκειται στα πλαίσια της συγκεκριμένης μελέτης, θέτει ωστόσο αρκετούς προβληματισμούς για μελλοντική έρευνα στον τομέα αυτό.","Markov models have many applications in various scientific fields since the '70s, such as physics, chemistry, social sciences, recognition and processing of audio, image, etc. Hidden Markov Models (HMMs) are a class of Markov models, the first applied successfully to solve many biological problems. They are widely used in biological sequence analysis, protein detection bonds, finding genes etc. They have become a unique piece in the fields of Bioinformatics. In this master thesis, we analyze some of the most indicative studies with application of Markov models in a variety of research fields (eg chronic diseases evolution), referring to the various methods used by researchers to create such models. Finally, we develop an implementation of an HMM in the evolution of anemia, studying a sample of patients with chronic kidney disease for a period of 12 months. The above application was developed by using the MATLAB software, with additional package \"HMM toolbox for MATLAB\", which is released under the license of the Massachusetts Institute of Technology (MIT), USA. We came up with a more generalized way of monitoring the variability of hematocrit (as its value is a key indicator of occurrence or not of anemia) for all patients simultaneously. With the Viterbi algorithm, a dynamic programming algorithm, we were led to the most likely sequence of hidden states from which the patients in our sample passed, leading to a sequence of observations of hematocrit values. Generally, there were differences in the patients’ response to treatment which may be due to many factors such as gender, coexistence of other diseases, etc. Further investigation of these does not lie in the present study, however, it sets several concerns for future research in this area."],"dc:identifier":["uoadl:1315748","https://pergamos.lib.uoa.gr/uoa/dl/object/1315748"],"dc:language":["Ελληνικά","Greek"],"dc:title":["Ανάλυση ιατρικών δεδομένων με χρήση Hidden Markov Models"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:24:17Z"}