{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2776620"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2776620","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Παραμετρικά μοντέλα για τη μοντελοποίηση του κινδύνου σε ασθενείς με καρκίνο του μαστού","abstract":"Η παρούσα εργασία είχε σαν σκοπό τη διερεύνηση της συνάρτησης κινδύνου σε ασθενείς με καρκίνο του μαστού. Η συνάρτηση κινδύνου παρατηρήθηκε να ακολουθεί ένα ιδιαίτερο μοτίβο και στόχος της εργασίας ήταν να μοντελοποιηθεί η συνάρτηση αυτή με παραμετρικά μοντέλα επιτυγχάνοντας ιδιαίτερα ευέλικτες συναρτησιακές μορφές και επιπρόσθετα πρόβλεψη για την εξέλιξη της νόσου, κάτι που με τα μέχρι στιγμής ευρέως χρησιμοποιούμενα μη παραμετρικά ή ημι-παραμετρικά μοντέλα ήταν ανέφικτο. Στον αντίποδα των μοντέλων αυτών, η κατανομή η οποία χρησιμοποιήθηκε ήταν η Γενικευμένη Γάμμα καθώς και άλλα παραμετρικά μοντέλα με χαμηλό αριθμό παραμέτρων όπως οι Weibull, log Normal και log Logistic κατανομές με την Γενικευμένη Γάμμα να ξεχωρίζει και να αποδεικνύεται πιο επωφελής, ακολουθούμενη από την log-Normal. Εξετάζοντας όλα τα δεδομένα μας, με τις κατανομές που ξεχώρισαν, τα αποτελέσματα ήταν πολύ θετικά για την ευελιξία της Γενικευμένη Γάμμα κατανομής. Οι περιορισμοί όμως της εργασίας αυτής έγκεινται στον χαμηλό αριθμό των events που υπήρχαν σε κάποιες υποομάδες, καθώς τα δεδομένα δεν ήταν αρκετά για να δείξουν την υπεροχή των κατανομών αυτών, κάτι που μπορεί να επανεξεταστεί αργότερα σε άλλες κλινικές μελέτες με μεγαλύτερο αριθμό events.","abstract_html":"Η παρούσα εργασία είχε σαν σκοπό τη διερεύνηση της συνάρτησης κινδύνου σε ασθενείς με καρκίνο του μαστού. Η συνάρτηση κινδύνου παρατηρήθηκε να ακολουθεί ένα ιδιαίτερο μοτίβο και στόχος της εργασίας ήταν να μοντελοποιηθεί η συνάρτηση αυτή με παραμετρικά μοντέλα επιτυγχάνοντας ιδιαίτερα ευέλικτες συναρτησιακές μορφές και επιπρόσθετα πρόβλεψη για την εξέλιξη της νόσου, κάτι που με τα μέχρι στιγμής ευρέως χρησιμοποιούμενα μη παραμετρικά ή ημι-παραμετρικά μοντέλα ήταν ανέφικτο. Στον αντίποδα των μοντέλων αυτών, η κατανομή η οποία χρησιμοποιήθηκε ήταν η Γενικευμένη Γάμμα καθώς και άλλα παραμετρικά μοντέλα με χαμηλό αριθμό παραμέτρων όπως οι Weibull, log Normal και log Logistic κατανομές με την Γενικευμένη Γάμμα να ξεχωρίζει και να αποδεικνύεται πιο επωφελής, ακολουθούμενη από την log-Normal. Εξετάζοντας όλα τα δεδομένα μας, με τις κατανομές που ξεχώρισαν, τα αποτελέσματα ήταν πολύ θετικά για την ευελιξία της Γενικευμένη Γάμμα κατανομής. Οι περιορισμοί όμως της εργασίας αυτής έγκεινται στον χαμηλό αριθμό των events που υπήρχαν σε κάποιες υποομάδες, καθώς τα δεδομένα δεν ήταν αρκετά για να δείξουν την υπεροχή των κατανομών αυτών, κάτι που μπορεί να επανεξεταστεί αργότερα σε άλλες κλινικές μελέτες με μεγαλύτερο αριθμό events.","abstract_has_math":false,"creators":["Χαντζιώτη Μαρία","Chantzioti Maria"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2016,"date_issued":"2016","date_published":"2016","updated_at":"2026-11-19T05:31:45Z","subjects":["Επιστήμες Υγείας","Health Sciences"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2776620"],"render_values":[{"text":"uoadl:2776620","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2776620","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2776620","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%3A2776620","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Χαντζιώτη Μαρία","Chantzioti Maria"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2016"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Επιστήμες Υγείας","Health Sciences"]}]},{"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:2776620","https://pergamos.lib.uoa.gr/uoa/dl/object/2776620"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η παρούσα εργασία είχε σαν σκοπό τη διερεύνηση της συνάρτησης κινδύνου σε ασθενείς με καρκίνο του μαστού. Η συνάρτηση κινδύνου παρατηρήθηκε να ακολουθεί ένα ιδιαίτερο μοτίβο και στόχος της εργασίας ήταν να μοντελοποιηθεί η συνάρτηση αυτή με παραμετρικά μοντέλα επιτυγχάνοντας ιδιαίτερα ευέλικτες συναρτησιακές μορφές και επιπρόσθετα πρόβλεψη για την εξέλιξη της νόσου, κάτι που με τα μέχρι στιγμής ευρέως χρησιμοποιούμενα μη παραμετρικά ή ημι-παραμετρικά μοντέλα ήταν ανέφικτο. Στον αντίποδα των μοντέλων αυτών, η κατανομή η οποία χρησιμοποιήθηκε ήταν η Γενικευμένη Γάμμα καθώς και άλλα παραμετρικά μοντέλα με χαμηλό αριθμό παραμέτρων όπως οι Weibull, log Normal και log Logistic κατανομές με την Γενικευμένη Γάμμα να ξεχωρίζει και να αποδεικνύεται πιο επωφελής, ακολουθούμενη από την log-Normal. Εξετάζοντας όλα τα δεδομένα μας, με τις κατανομές που ξεχώρισαν, τα αποτελέσματα ήταν πολύ θετικά για την ευελιξία της Γενικευμένη Γάμμα κατανομής. Οι περιορισμοί όμως της εργασίας αυτής έγκεινται στον χαμηλό αριθμό των events που υπήρχαν σε κάποιες υποομάδες, καθώς τα δεδομένα δεν ήταν αρκετά για να δείξουν την υπεροχή των κατανομών αυτών, κάτι που μπορεί να επανεξεταστεί αργότερα σε άλλες κλινικές μελέτες με μεγαλύτερο αριθμό events.","Scope of the present study was to investigate the hazard function in patients with breast cancer. The hazard function was observed having a special pattern and aim of this study was primarily to modelize this function using parametric models achieving highly flexible functional forms and furthermore to give a provision of the disease progress. Such a result is not feasible with the widely used non-parametric or semi-parametric models at hand. In contrast to these inadequate models, the distribution that was proposed to be used was the Generalized Gamma distribution and additionally other parametric models with low number of parameters such as Weibull, log Normal and log Logistic distributions were also tested. Generalized Gamma distribution was proved to be more beneficial, followed by log-Normal. Examining all our data with the distributions that were stood out, the results were very satisfying regarding the flexibility of the Generalized Gamma distribution. Nevertheless, the study has its limitations due to the low number of events in some subsets, as the data weren’t enough to prove the superiority of these distributions, something that can be reassessed later in other clinical studies with a larger number of events."]},{"key":"dc:title","label":"Title","values":["Παραμετρικά μοντέλα για τη μοντελοποίηση του κινδύνου σε ασθενείς με καρκίνο του μαστού"]}]}],"canonical_facts":{"dc:creator":["Χαντζιώτη Μαρία","Chantzioti Maria"],"dc:date":["2016"],"dc:description":["Η παρούσα εργασία είχε σαν σκοπό τη διερεύνηση της συνάρτησης κινδύνου σε ασθενείς με καρκίνο του μαστού. Η συνάρτηση κινδύνου παρατηρήθηκε να ακολουθεί ένα ιδιαίτερο μοτίβο και στόχος της εργασίας ήταν να μοντελοποιηθεί η συνάρτηση αυτή με παραμετρικά μοντέλα επιτυγχάνοντας ιδιαίτερα ευέλικτες συναρτησιακές μορφές και επιπρόσθετα πρόβλεψη για την εξέλιξη της νόσου, κάτι που με τα μέχρι στιγμής ευρέως χρησιμοποιούμενα μη παραμετρικά ή ημι-παραμετρικά μοντέλα ήταν ανέφικτο. Στον αντίποδα των μοντέλων αυτών, η κατανομή η οποία χρησιμοποιήθηκε ήταν η Γενικευμένη Γάμμα καθώς και άλλα παραμετρικά μοντέλα με χαμηλό αριθμό παραμέτρων όπως οι Weibull, log Normal και log Logistic κατανομές με την Γενικευμένη Γάμμα να ξεχωρίζει και να αποδεικνύεται πιο επωφελής, ακολουθούμενη από την log-Normal. Εξετάζοντας όλα τα δεδομένα μας, με τις κατανομές που ξεχώρισαν, τα αποτελέσματα ήταν πολύ θετικά για την ευελιξία της Γενικευμένη Γάμμα κατανομής. Οι περιορισμοί όμως της εργασίας αυτής έγκεινται στον χαμηλό αριθμό των events που υπήρχαν σε κάποιες υποομάδες, καθώς τα δεδομένα δεν ήταν αρκετά για να δείξουν την υπεροχή των κατανομών αυτών, κάτι που μπορεί να επανεξεταστεί αργότερα σε άλλες κλινικές μελέτες με μεγαλύτερο αριθμό events.","Scope of the present study was to investigate the hazard function in patients with breast cancer. The hazard function was observed having a special pattern and aim of this study was primarily to modelize this function using parametric models achieving highly flexible functional forms and furthermore to give a provision of the disease progress. Such a result is not feasible with the widely used non-parametric or semi-parametric models at hand. In contrast to these inadequate models, the distribution that was proposed to be used was the Generalized Gamma distribution and additionally other parametric models with low number of parameters such as Weibull, log Normal and log Logistic distributions were also tested. Generalized Gamma distribution was proved to be more beneficial, followed by log-Normal. Examining all our data with the distributions that were stood out, the results were very satisfying regarding the flexibility of the Generalized Gamma distribution. Nevertheless, the study has its limitations due to the low number of events in some subsets, as the data weren’t enough to prove the superiority of these distributions, something that can be reassessed later in other clinical studies with a larger number of events."],"dc:identifier":["uoadl:2776620","https://pergamos.lib.uoa.gr/uoa/dl/object/2776620"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Επιστήμες Υγείας","Health Sciences"],"dc:title":["Παραμετρικά μοντέλα για τη μοντελοποίηση του κινδύνου σε ασθενείς με καρκίνο του μαστού"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:31:45Z"}