{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2837969"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2837969","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Ανάπτυξη και επαλήθευση προγνωστικών μοντέλων για δίτιμες εκβάσεις","abstract":"Σκοπός της παρούσας διπλωματικής ήταν να πραγματοποιηθεί μια ανασκόπηση και αναλυτική περιγραφή των μεθόδων που χρησιμοποιούνται για την ανάπτυξη και επαλήθευση των προγνωστικών μοντέλων σε δίτιμες εκβάσεις, να αναπτυχθεί μία ανασκόπηση της μεθόδου με την οποία μπορεί να κατασκευαστεί μία κλίμακα από ένα τέτοιο προγνωστικό μοντέλο ούτως ώστε να διευκολυνθεί η χρήση του στην καθημερινή πρακτική, καθώς και να πραγματοποιηθεί μία εφαρμογή σε πραγματικά δεδομένα. Τα βήματα που χρειάζονται απαραίτητα για την διαμόρφωση ενός προγνωστικού μοντέλου είναι αρχικά, ο καθορισμός της έκβασης και όλων των υποψήφιων προγνωστικών παραγόντων, και η επιλογή του σωστού τύπου μοντέλου ανάλογα με τα δεδομένα. Συγκεκριμένα για δίτιμες εκβάσεις, επιλέγεται το λογαριθμιστικό μοντέλο παλινδρόμησης. Έπειτα, πρέπει να γίνει μία σωστή διαχείριση ελλειπουσών τιμών ανάλογα με το είδος τους. Το ακόλουθο βήμα είναι η κωδικοποίηση των συνεχών μεταβλητών η οποία γίνεται με πολλές μεθόδους ανάλογα με την μεταβλητή (Διχοτόμηση, Κατηγοριοποίηση, Χρήση της μεταβλητής ως γραμμική, Πολυωνυμική μορφή, Κλασματική πολυωνυμική μορφή και Splines). Ακολούθως, επιλέγεται η μέθοδος επιλογής προγνωστικών παραγόντων κινδύνου (π.χ. βηματική ή bootstrap). Ακόμη, μπορεί να επιλεχθεί ως τελικό μοντέλο το μοντέλο με όλους τους πιθανούς προγνωστικούς παράγοντες κινδύνου, χωρίς περαιτέρω μείωσή τους, μέσω διαδικασίας επιλογής. Εφόσον έχει επιλεχθεί η μέθοδος επιλογής των μεταβλητών του τελικού μοντέλου, ακολουθεί η εκτίμηση των συντελεστών παλινδρόμησης, η οποία συνήθως γίνεται με την μέθοδο μέγιστης πιθανοφάνειας. Παρόλα αυτά νέες μέθοδοι αναφέρονται στην βιβλιογραφία (Μέθοδος ομοιόμορφης συρρίκνωσης, Ποινικοποιημένη εκτίμηση μέγιστης πιθανοφάνειας, μέθοδος LASSO, Μέθοδος κορυφογραμμής), με σκοπό να περιορίσουν την υπερπροσαρμογή του μοντέλου. Απαραίτητη είναι η επικύρωση του τελικού μοντέλου με εσωτερική ή εξωτερική επικύρωση και η αξιολόγηση του ως προς την ικανότητα βαθμονόμησής του, την ικανότητα διαχωριστικότητας του και την κλινική του χρησιμότητα. Τέλος, η δημιουργία κλίμακας βαθμονόμησης για το μοντέλο συμβάλλει στην διευκόλυνση της χρήσης του από τους ειδικούς. Για την εφαρμογή σε δεδομένα, χρησιμοποιήθηκαν δεδομένα από το Γενικό Νοσοκομείο Αθηνών «Λαϊκό» προκειμένου να αξιολογηθούν οι παράγοντες κινδύνου για ύπαρξη του Χρυσίζοντος σταφυλόκοκκου ανθεκτικού στην μεθικιλλίνη (MRSA) κατά την εισαγωγή των ασθενών στο νοσοκομείο. Ένα προγνωστικό εργαλείο για την ταυτοποίηση των ασθενών αυτών θα ήταν χρήσιμο για την απλοποίηση της πολιτικής του ελέγχου του MRSA στα νοσοκομεία. Στην εφαρμογή μετά από προδρομική βηματική μέθοδο επιλογής παραγόντων σε επίπεδο στατιστικής σημαντικότητας 5%, προέκυψαν επτά στατιστικά σημαντικοί παράγοντες κινδύνου για την μόλυνση του σταφυλόκοκκου ανθεκτικού στην μεθικιλλίνη (MRSA): διαβήτης, διαμονή σε γηροκομείο, πρόσφατη χρήση αντιβιοτικών, άνοια / ψυχιατρικές ασθένειες, χρόνια δερματική ασθένεια, πρόσφατη παραμονή σε νοσοκομείο, φύλο. Μετά από εσωτερική επικύρωση στο μοντέλο, προέκυψε τιμή καλής προσαρμογής c-statistic ίση με 1.031 με 95% Δ.Ε (0.891, 1,171), τιμή AUC ίση με 0.768 με 95% Δ.Ε (0.697,0.839) και τιμή διαχωριστικότητας ίση με 0.051. Το προγνωστικό μοντέλο που δημιουργήθηκε, με βάση την εσωτερική επικύρωση που εφαρμόστηκε, φαίνεται ότι μπορεί να προβλέψει ικανοποιητικά την έκβαση. Παρόλα αυτά η εξωτερική επικύρωση θα παρείχε περισσότερες πληροφορίες για την δύναμη του προγνωστικού αυτού μοντέλου. Η μοντέρνα ιατρική βασίζεται, όλο και περισσότερο στα διαγνωστικά, προγνωστικά μοντέλα με σκοπό να ενημερώσει τα άτομα και τους επαγγελματίες υγείας για τους κινδύνους παρουσίας ή εμφάνισης μίας έκβασης και να καθοδηγήσει τις κλινικές αποφάσεις που σκοπό έχουν να μετριάσουν τους κινδύνους αυτούς. Ως εκ τούτου, τα προγνωστικά μοντέλα έχουν όλο και μεγαλύτερη χρησιμότητα στην ιατρική πράξη.","abstract_html":"Σκοπός της παρούσας διπλωματικής ήταν να πραγματοποιηθεί μια ανασκόπηση και αναλυτική περιγραφή των μεθόδων που χρησιμοποιούνται για την ανάπτυξη και επαλήθευση των προγνωστικών μοντέλων σε δίτιμες εκβάσεις, να αναπτυχθεί μία ανασκόπηση της μεθόδου με την οποία μπορεί να κατασκευαστεί μία κλίμακα από ένα τέτοιο προγνωστικό μοντέλο ούτως ώστε να διευκολυνθεί η χρήση του στην καθημερινή πρακτική, καθώς και να πραγματοποιηθεί μία εφαρμογή σε πραγματικά δεδομένα. Τα βήματα που χρειάζονται απαραίτητα για την διαμόρφωση ενός προγνωστικού μοντέλου είναι αρχικά, ο καθορισμός της έκβασης και όλων των υποψήφιων προγνωστικών παραγόντων, και η επιλογή του σωστού τύπου μοντέλου ανάλογα με τα δεδομένα. Συγκεκριμένα για δίτιμες εκβάσεις, επιλέγεται το λογαριθμιστικό μοντέλο παλινδρόμησης. Έπειτα, πρέπει να γίνει μία σωστή διαχείριση ελλειπουσών τιμών ανάλογα με το είδος τους. Το ακόλουθο βήμα είναι η κωδικοποίηση των συνεχών μεταβλητών η οποία γίνεται με πολλές μεθόδους ανάλογα με την μεταβλητή (Διχοτόμηση, Κατηγοριοποίηση, Χρήση της μεταβλητής ως γραμμική, Πολυωνυμική μορφή, Κλασματική πολυωνυμική μορφή και Splines). Ακολούθως, επιλέγεται η μέθοδος επιλογής προγνωστικών παραγόντων κινδύνου (π.χ. βηματική ή bootstrap). Ακόμη, μπορεί να επιλεχθεί ως τελικό μοντέλο το μοντέλο με όλους τους πιθανούς προγνωστικούς παράγοντες κινδύνου, χωρίς περαιτέρω μείωσή τους, μέσω διαδικασίας επιλογής. Εφόσον έχει επιλεχθεί η μέθοδος επιλογής των μεταβλητών του τελικού μοντέλου, ακολουθεί η εκτίμηση των συντελεστών παλινδρόμησης, η οποία συνήθως γίνεται με την μέθοδο μέγιστης πιθανοφάνειας. Παρόλα αυτά νέες μέθοδοι αναφέρονται στην βιβλιογραφία (Μέθοδος ομοιόμορφης συρρίκνωσης, Ποινικοποιημένη εκτίμηση μέγιστης πιθανοφάνειας, μέθοδος LASSO, Μέθοδος κορυφογραμμής), με σκοπό να περιορίσουν την υπερπροσαρμογή του μοντέλου. Απαραίτητη είναι η επικύρωση του τελικού μοντέλου με εσωτερική ή εξωτερική επικύρωση και η αξιολόγηση του ως προς την ικανότητα βαθμονόμησής του, την ικανότητα διαχωριστικότητας του και την κλινική του χρησιμότητα. Τέλος, η δημιουργία κλίμακας βαθμονόμησης για το μοντέλο συμβάλλει στην διευκόλυνση της χρήσης του από τους ειδικούς. Για την εφαρμογή σε δεδομένα, χρησιμοποιήθηκαν δεδομένα από το Γενικό Νοσοκομείο Αθηνών «Λαϊκό» προκειμένου να αξιολογηθούν οι παράγοντες κινδύνου για ύπαρξη του Χρυσίζοντος σταφυλόκοκκου ανθεκτικού στην μεθικιλλίνη (MRSA) κατά την εισαγωγή των ασθενών στο νοσοκομείο. Ένα προγνωστικό εργαλείο για την ταυτοποίηση των ασθενών αυτών θα ήταν χρήσιμο για την απλοποίηση της πολιτικής του ελέγχου του MRSA στα νοσοκομεία. Στην εφαρμογή μετά από προδρομική βηματική μέθοδο επιλογής παραγόντων σε επίπεδο στατιστικής σημαντικότητας 5%, προέκυψαν επτά στατιστικά σημαντικοί παράγοντες κινδύνου για την μόλυνση του σταφυλόκοκκου ανθεκτικού στην μεθικιλλίνη (MRSA): διαβήτης, διαμονή σε γηροκομείο, πρόσφατη χρήση αντιβιοτικών, άνοια / ψυχιατρικές ασθένειες, χρόνια δερματική ασθένεια, πρόσφατη παραμονή σε νοσοκομείο, φύλο. Μετά από εσωτερική επικύρωση στο μοντέλο, προέκυψε τιμή καλής προσαρμογής c-statistic ίση με 1.031 με 95% Δ.Ε (0.891, 1,171), τιμή AUC ίση με 0.768 με 95% Δ.Ε (0.697,0.839) και τιμή διαχωριστικότητας ίση με 0.051. Το προγνωστικό μοντέλο που δημιουργήθηκε, με βάση την εσωτερική επικύρωση που εφαρμόστηκε, φαίνεται ότι μπορεί να προβλέψει ικανοποιητικά την έκβαση. Παρόλα αυτά η εξωτερική επικύρωση θα παρείχε περισσότερες πληροφορίες για την δύναμη του προγνωστικού αυτού μοντέλου. Η μοντέρνα ιατρική βασίζεται, όλο και περισσότερο στα διαγνωστικά, προγνωστικά μοντέλα με σκοπό να ενημερώσει τα άτομα και τους επαγγελματίες υγείας για τους κινδύνους παρουσίας ή εμφάνισης μίας έκβασης και να καθοδηγήσει τις κλινικές αποφάσεις που σκοπό έχουν να μετριάσουν τους κινδύνους αυτούς. Ως εκ τούτου, τα προγνωστικά μοντέλα έχουν όλο και μεγαλύτερη χρησιμότητα στην ιατρική πράξη.","abstract_has_math":false,"creators":["Χάλκου Κωνσταντίνα","Chalkou Konstantina"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2018,"date_issued":"2018","date_published":"2018","updated_at":"2026-11-19T05:33:19Z","subjects":["Επιστήμες Υγείας","Health Sciences"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2837969"],"render_values":[{"text":"uoadl:2837969","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2837969","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2837969","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%3A2837969","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Χάλκου Κωνσταντίνα","Chalkou Konstantina"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2018"]},{"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:2837969","https://pergamos.lib.uoa.gr/uoa/dl/object/2837969"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Σκοπός της παρούσας διπλωματικής ήταν να πραγματοποιηθεί μια ανασκόπηση και αναλυτική περιγραφή των μεθόδων που χρησιμοποιούνται για την ανάπτυξη και επαλήθευση των προγνωστικών μοντέλων σε δίτιμες εκβάσεις, να αναπτυχθεί μία ανασκόπηση της μεθόδου με την οποία μπορεί να κατασκευαστεί μία κλίμακα από ένα τέτοιο προγνωστικό μοντέλο ούτως ώστε να διευκολυνθεί η χρήση του στην καθημερινή πρακτική, καθώς και να πραγματοποιηθεί μία εφαρμογή σε πραγματικά δεδομένα. Τα βήματα που χρειάζονται απαραίτητα για την διαμόρφωση ενός προγνωστικού μοντέλου είναι αρχικά, ο καθορισμός της έκβασης και όλων των υποψήφιων προγνωστικών παραγόντων, και η επιλογή του σωστού τύπου μοντέλου ανάλογα με τα δεδομένα. Συγκεκριμένα για δίτιμες εκβάσεις, επιλέγεται το λογαριθμιστικό μοντέλο παλινδρόμησης. Έπειτα, πρέπει να γίνει μία σωστή διαχείριση ελλειπουσών τιμών ανάλογα με το είδος τους. Το ακόλουθο βήμα είναι η κωδικοποίηση των συνεχών μεταβλητών η οποία γίνεται με πολλές μεθόδους ανάλογα με την μεταβλητή (Διχοτόμηση, Κατηγοριοποίηση, Χρήση της μεταβλητής ως γραμμική, Πολυωνυμική μορφή, Κλασματική πολυωνυμική μορφή και Splines). Ακολούθως, επιλέγεται η μέθοδος επιλογής προγνωστικών παραγόντων κινδύνου (π.χ. βηματική ή bootstrap). Ακόμη, μπορεί να επιλεχθεί ως τελικό μοντέλο το μοντέλο με όλους τους πιθανούς προγνωστικούς παράγοντες κινδύνου, χωρίς περαιτέρω μείωσή τους, μέσω διαδικασίας επιλογής. Εφόσον έχει επιλεχθεί η μέθοδος επιλογής των μεταβλητών του τελικού μοντέλου, ακολουθεί η εκτίμηση των συντελεστών παλινδρόμησης, η οποία συνήθως γίνεται με την μέθοδο μέγιστης πιθανοφάνειας. Παρόλα αυτά νέες μέθοδοι αναφέρονται στην βιβλιογραφία (Μέθοδος ομοιόμορφης συρρίκνωσης, Ποινικοποιημένη εκτίμηση μέγιστης πιθανοφάνειας, μέθοδος LASSO, Μέθοδος κορυφογραμμής), με σκοπό να περιορίσουν την υπερπροσαρμογή του μοντέλου. Απαραίτητη είναι η επικύρωση του τελικού μοντέλου με εσωτερική ή εξωτερική επικύρωση και η αξιολόγηση του ως προς την ικανότητα βαθμονόμησής του, την ικανότητα διαχωριστικότητας του και την κλινική του χρησιμότητα. Τέλος, η δημιουργία κλίμακας βαθμονόμησης για το μοντέλο συμβάλλει στην διευκόλυνση της χρήσης του από τους ειδικούς. Για την εφαρμογή σε δεδομένα, χρησιμοποιήθηκαν δεδομένα από το Γενικό Νοσοκομείο Αθηνών «Λαϊκό» προκειμένου να αξιολογηθούν οι παράγοντες κινδύνου για ύπαρξη του Χρυσίζοντος σταφυλόκοκκου ανθεκτικού στην μεθικιλλίνη (MRSA) κατά την εισαγωγή των ασθενών στο νοσοκομείο. Ένα προγνωστικό εργαλείο για την ταυτοποίηση των ασθενών αυτών θα ήταν χρήσιμο για την απλοποίηση της πολιτικής του ελέγχου του MRSA στα νοσοκομεία. Στην εφαρμογή μετά από προδρομική βηματική μέθοδο επιλογής παραγόντων σε επίπεδο στατιστικής σημαντικότητας 5%, προέκυψαν επτά στατιστικά σημαντικοί παράγοντες κινδύνου για την μόλυνση του σταφυλόκοκκου ανθεκτικού στην μεθικιλλίνη (MRSA): διαβήτης, διαμονή σε γηροκομείο, πρόσφατη χρήση αντιβιοτικών, άνοια / ψυχιατρικές ασθένειες, χρόνια δερματική ασθένεια, πρόσφατη παραμονή σε νοσοκομείο, φύλο. Μετά από εσωτερική επικύρωση στο μοντέλο, προέκυψε τιμή καλής προσαρμογής c-statistic ίση με 1.031 με 95% Δ.Ε (0.891, 1,171), τιμή AUC ίση με 0.768 με 95% Δ.Ε (0.697,0.839) και τιμή διαχωριστικότητας ίση με 0.051. Το προγνωστικό μοντέλο που δημιουργήθηκε, με βάση την εσωτερική επικύρωση που εφαρμόστηκε, φαίνεται ότι μπορεί να προβλέψει ικανοποιητικά την έκβαση. Παρόλα αυτά η εξωτερική επικύρωση θα παρείχε περισσότερες πληροφορίες για την δύναμη του προγνωστικού αυτού μοντέλου. Η μοντέρνα ιατρική βασίζεται, όλο και περισσότερο στα διαγνωστικά, προγνωστικά μοντέλα με σκοπό να ενημερώσει τα άτομα και τους επαγγελματίες υγείας για τους κινδύνους παρουσίας ή εμφάνισης μίας έκβασης και να καθοδηγήσει τις κλινικές αποφάσεις που σκοπό έχουν να μετριάσουν τους κινδύνους αυτούς. Ως εκ τούτου, τα προγνωστικά μοντέλα έχουν όλο και μεγαλύτερη χρησιμότητα στην ιατρική πράξη.","This thesis aims to provide a review and a detailed description of the methods used to develop and validate prognostic models for binary outcomes; to develop a review of the method by which a risk score can be constructed from such a prognostic model, to facilitate its use in everyday practice as well as to apply these methods on real world data. Determining the outcome and all candidate prognostic factors, while choosing the right model according to the data are the initial steps required to form a prognostic model. The logistic regression model is appropriate for binary outcomes. As a next step, a proper management of missing values according to their type is necessary. The coding of continuous variables comes next; it can be done in various methods depending on the variable (Dichotomization, Categorization, Linear, Polynomials, Fractional polynomials and Splines). The method of selecting prognostic risk factors is then selected (e.g. stepwise methods or bootstrap). In addition, the final model could include all possible risk factors, without any further reduction, through a selection procedure. Once the model selection method is chosen, the regression coefficients are evaluated, usually through the Maximum Likelihood Method. However, new methods are reported in the literature (Uniform Shrinkage Method, Penalized ML Method, LASSO Method, Ridge Method) to limit model overestimation. It is necessary to validate the final model with internal or external validation and to assess its calibration ability, its descrimination ability, as well as its clinical utility. Finally, creating a risk score for the model contributes to facilitating its use in clinical practice. These methods are applied on data from the Athenian General Hospital “Laiko” in order to assess the risk factors for MRSA colonization on admission of patients. A prognostic tool for identifying these patients would be useful to simplify the MRSA control policy in hospitals. The application of a forward stepwise selection identified seven statistically significant risk factors for MRSA infection: diabetes, nursing home resident, recent use of antibiotics, dementia / psychological disorders, chronic skin disease, recent hospitalization, gender. Consiquently, internal validation in the model were obtained: c-statistic equal to 1.031 with 95% CI (0.891, 1.171), AUC equal to 0.768 with 95% CI (0.697.0.839) and discrimination slope equal to 0.051. The final prognostic model based on the internal validation applied, appears to satisfactorily predict the outcome. However, external validation would provide more information about the validity of this prognostic model. Modern medicine is increasingly based on diagnostic prognostic models to inform individuals and health professionals about the risks of occurrence of an outcome and to guide clinical decisions designed to mitigate these risks. Therefore, prognostic models are becoming more and more useful in medical practice."]},{"key":"dc:title","label":"Title","values":["Ανάπτυξη και επαλήθευση προγνωστικών μοντέλων για δίτιμες εκβάσεις"]}]}],"canonical_facts":{"dc:creator":["Χάλκου Κωνσταντίνα","Chalkou Konstantina"],"dc:date":["2018"],"dc:description":["Σκοπός της παρούσας διπλωματικής ήταν να πραγματοποιηθεί μια ανασκόπηση και αναλυτική περιγραφή των μεθόδων που χρησιμοποιούνται για την ανάπτυξη και επαλήθευση των προγνωστικών μοντέλων σε δίτιμες εκβάσεις, να αναπτυχθεί μία ανασκόπηση της μεθόδου με την οποία μπορεί να κατασκευαστεί μία κλίμακα από ένα τέτοιο προγνωστικό μοντέλο ούτως ώστε να διευκολυνθεί η χρήση του στην καθημερινή πρακτική, καθώς και να πραγματοποιηθεί μία εφαρμογή σε πραγματικά δεδομένα. Τα βήματα που χρειάζονται απαραίτητα για την διαμόρφωση ενός προγνωστικού μοντέλου είναι αρχικά, ο καθορισμός της έκβασης και όλων των υποψήφιων προγνωστικών παραγόντων, και η επιλογή του σωστού τύπου μοντέλου ανάλογα με τα δεδομένα. Συγκεκριμένα για δίτιμες εκβάσεις, επιλέγεται το λογαριθμιστικό μοντέλο παλινδρόμησης. Έπειτα, πρέπει να γίνει μία σωστή διαχείριση ελλειπουσών τιμών ανάλογα με το είδος τους. Το ακόλουθο βήμα είναι η κωδικοποίηση των συνεχών μεταβλητών η οποία γίνεται με πολλές μεθόδους ανάλογα με την μεταβλητή (Διχοτόμηση, Κατηγοριοποίηση, Χρήση της μεταβλητής ως γραμμική, Πολυωνυμική μορφή, Κλασματική πολυωνυμική μορφή και Splines). Ακολούθως, επιλέγεται η μέθοδος επιλογής προγνωστικών παραγόντων κινδύνου (π.χ. βηματική ή bootstrap). Ακόμη, μπορεί να επιλεχθεί ως τελικό μοντέλο το μοντέλο με όλους τους πιθανούς προγνωστικούς παράγοντες κινδύνου, χωρίς περαιτέρω μείωσή τους, μέσω διαδικασίας επιλογής. Εφόσον έχει επιλεχθεί η μέθοδος επιλογής των μεταβλητών του τελικού μοντέλου, ακολουθεί η εκτίμηση των συντελεστών παλινδρόμησης, η οποία συνήθως γίνεται με την μέθοδο μέγιστης πιθανοφάνειας. Παρόλα αυτά νέες μέθοδοι αναφέρονται στην βιβλιογραφία (Μέθοδος ομοιόμορφης συρρίκνωσης, Ποινικοποιημένη εκτίμηση μέγιστης πιθανοφάνειας, μέθοδος LASSO, Μέθοδος κορυφογραμμής), με σκοπό να περιορίσουν την υπερπροσαρμογή του μοντέλου. Απαραίτητη είναι η επικύρωση του τελικού μοντέλου με εσωτερική ή εξωτερική επικύρωση και η αξιολόγηση του ως προς την ικανότητα βαθμονόμησής του, την ικανότητα διαχωριστικότητας του και την κλινική του χρησιμότητα. Τέλος, η δημιουργία κλίμακας βαθμονόμησης για το μοντέλο συμβάλλει στην διευκόλυνση της χρήσης του από τους ειδικούς. Για την εφαρμογή σε δεδομένα, χρησιμοποιήθηκαν δεδομένα από το Γενικό Νοσοκομείο Αθηνών «Λαϊκό» προκειμένου να αξιολογηθούν οι παράγοντες κινδύνου για ύπαρξη του Χρυσίζοντος σταφυλόκοκκου ανθεκτικού στην μεθικιλλίνη (MRSA) κατά την εισαγωγή των ασθενών στο νοσοκομείο. Ένα προγνωστικό εργαλείο για την ταυτοποίηση των ασθενών αυτών θα ήταν χρήσιμο για την απλοποίηση της πολιτικής του ελέγχου του MRSA στα νοσοκομεία. Στην εφαρμογή μετά από προδρομική βηματική μέθοδο επιλογής παραγόντων σε επίπεδο στατιστικής σημαντικότητας 5%, προέκυψαν επτά στατιστικά σημαντικοί παράγοντες κινδύνου για την μόλυνση του σταφυλόκοκκου ανθεκτικού στην μεθικιλλίνη (MRSA): διαβήτης, διαμονή σε γηροκομείο, πρόσφατη χρήση αντιβιοτικών, άνοια / ψυχιατρικές ασθένειες, χρόνια δερματική ασθένεια, πρόσφατη παραμονή σε νοσοκομείο, φύλο. Μετά από εσωτερική επικύρωση στο μοντέλο, προέκυψε τιμή καλής προσαρμογής c-statistic ίση με 1.031 με 95% Δ.Ε (0.891, 1,171), τιμή AUC ίση με 0.768 με 95% Δ.Ε (0.697,0.839) και τιμή διαχωριστικότητας ίση με 0.051. Το προγνωστικό μοντέλο που δημιουργήθηκε, με βάση την εσωτερική επικύρωση που εφαρμόστηκε, φαίνεται ότι μπορεί να προβλέψει ικανοποιητικά την έκβαση. Παρόλα αυτά η εξωτερική επικύρωση θα παρείχε περισσότερες πληροφορίες για την δύναμη του προγνωστικού αυτού μοντέλου. Η μοντέρνα ιατρική βασίζεται, όλο και περισσότερο στα διαγνωστικά, προγνωστικά μοντέλα με σκοπό να ενημερώσει τα άτομα και τους επαγγελματίες υγείας για τους κινδύνους παρουσίας ή εμφάνισης μίας έκβασης και να καθοδηγήσει τις κλινικές αποφάσεις που σκοπό έχουν να μετριάσουν τους κινδύνους αυτούς. Ως εκ τούτου, τα προγνωστικά μοντέλα έχουν όλο και μεγαλύτερη χρησιμότητα στην ιατρική πράξη.","This thesis aims to provide a review and a detailed description of the methods used to develop and validate prognostic models for binary outcomes; to develop a review of the method by which a risk score can be constructed from such a prognostic model, to facilitate its use in everyday practice as well as to apply these methods on real world data. Determining the outcome and all candidate prognostic factors, while choosing the right model according to the data are the initial steps required to form a prognostic model. The logistic regression model is appropriate for binary outcomes. As a next step, a proper management of missing values according to their type is necessary. The coding of continuous variables comes next; it can be done in various methods depending on the variable (Dichotomization, Categorization, Linear, Polynomials, Fractional polynomials and Splines). The method of selecting prognostic risk factors is then selected (e.g. stepwise methods or bootstrap). In addition, the final model could include all possible risk factors, without any further reduction, through a selection procedure. Once the model selection method is chosen, the regression coefficients are evaluated, usually through the Maximum Likelihood Method. However, new methods are reported in the literature (Uniform Shrinkage Method, Penalized ML Method, LASSO Method, Ridge Method) to limit model overestimation. It is necessary to validate the final model with internal or external validation and to assess its calibration ability, its descrimination ability, as well as its clinical utility. Finally, creating a risk score for the model contributes to facilitating its use in clinical practice. These methods are applied on data from the Athenian General Hospital “Laiko” in order to assess the risk factors for MRSA colonization on admission of patients. A prognostic tool for identifying these patients would be useful to simplify the MRSA control policy in hospitals. The application of a forward stepwise selection identified seven statistically significant risk factors for MRSA infection: diabetes, nursing home resident, recent use of antibiotics, dementia / psychological disorders, chronic skin disease, recent hospitalization, gender. Consiquently, internal validation in the model were obtained: c-statistic equal to 1.031 with 95% CI (0.891, 1.171), AUC equal to 0.768 with 95% CI (0.697.0.839) and discrimination slope equal to 0.051. The final prognostic model based on the internal validation applied, appears to satisfactorily predict the outcome. However, external validation would provide more information about the validity of this prognostic model. Modern medicine is increasingly based on diagnostic prognostic models to inform individuals and health professionals about the risks of occurrence of an outcome and to guide clinical decisions designed to mitigate these risks. Therefore, prognostic models are becoming more and more useful in medical practice."],"dc:identifier":["uoadl:2837969","https://pergamos.lib.uoa.gr/uoa/dl/object/2837969"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Επιστήμες Υγείας","Health Sciences"],"dc:title":["Ανάπτυξη και επαλήθευση προγνωστικών μοντέλων για δίτιμες εκβάσεις"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:33:19Z"}