{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2916316"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2916316","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Εκτίμηση του παράγοντα Περιοδικής Αναπνοής στην χρόνια καρδιακή ανεπάρκεια με τη χρήση Ασαφών Συστημάτων Συλλογιστικής","abstract":"Εισαγωγή: Η Καρδιοαναπνευστική Δοκιμασία Κοπώσεως (ΚΑΔΚ) αποτελεί πλέον ένα σοβαρό εργαλείο για τη συγκέντρωση δεδομένων και την αξιολόγηση των ασθενών που πάσχουν από Καρδιακή Ανεπάρκεια (ΚΑ). Ένας από τους παράγοντες που καταμετρώνται κατά τη διάρκεια της ΚΑΔΚ είναι και η Περιοδική αναπνοή η ανάλυσή της όμως γίνεται σε μεγάλο βαθμό με απλές αναλογικές μεθόδους που είναι χρονοβόρες και υπόκεινται και στον παράγοντα του ανθρώπινου λάθους. Σκοπός της παρούσας μελέτης είναι να δημιουργηθεί ένα πρόγραμμα για την γρήγορη επεξεργασία των δεδομένων του κατά λεπτού αναπνοής κατά τη διάρκεια της ΚΑΔΚ ώστε η διάγνωση και αξιολόγηση της Περιοδικής Αναπνοής να γίνεται άμεσα και αξιόπιστα. Μετέπειτα γίνεται χρήση των Ασαφών Συστημάτων Συλλογιστικής για να συσχετίσει καθιερωμένες στοχευμένες μεταβλητές της ΚΑΔΚ (VE/VCO2slope, VO2peak, EOV και PETCO2) με τις κλινικές παραμέτρους NYHA και LVEF ως προς τον προσδιορισμό της σοβαρότητας της ΚΑ μέσω της ΚΑΔΚ. Μεθοδολογία: Δεδομένα τριακοσίων τεσσάρων συνολικά ασθενών με ΚΑ (ηλικία: 54±13 έτη, VO2peak: 17,9±7,3 ml/kg/min), χρησιμοποιήθηκαν για τη δημιουργία των ασαφών συστημάτων συλλογιστικής. Για τον προσδιορισμό της περιοδικής αναπνοής δημιουργήσαμε υπολογιστικό μοντέλο το οποίο βασίζεται στον ορισμό του φαινομένου από την Αμερικανική Καρδιολογική Εταιρεία. Τα δεδομένα που συλλέχθηκαν χρησιμοποιήθηκαν για τη δημιουργία δυο διαφορετικών συστημάτων Τεχνητής Νοημοσύνης (Ασαφών Συστημάτων Συλλογιστικής) μέσω της εφαρμογής Fuzzy Logic Designer – Matlab R2019a και τα αποτελέσματα του ελέγχθηκαν ως προς την στατιστική σημαντικότητα τους μέσω της εφαρμογής SPSS. Αποτελέσματα: Το πρώτο σύστημα συλλογιστικής κατέδειξε να παράγει με 98.45% ακρίβεια τη σχέση μεταξύ των μεταβλητών της ΚΑΔΚ με την ΝΥΗΑ και με 98.95% ακρίβεια τη σχέση των μεταβλητών της ΚΑΔΚ με την LVEF. Το δεύτερο σύστημα συλλογιστικής κατέδειξε να παράγει με 96.5% τις σχέσεις για την ΝΥΗΑ και 98.45% ακρίβεια τις σχέσεις μεταξύ των εμπλεκόμενων μεταβλητών. Τόσο το πρώτο όσο και το δεύτερο σύστημα Τεχνητής Νοημοσύνης επέδωσαν μικρή διαγνωστική αξία της περιοδικής αναπνοής για την κλινική ταξινόμηση κατά NYHA, το οποίο επιβεβαιώθηκε ύστερα από στατιστική ανάλυση που κατέδειξε βελτίωση της συνολικής διαγνωστικής αξίας όλων των μεταβλητών της ΚΑΔΚ κατά 0.63%. Τόσο τα συστήματα Τεχνητής Νοημοσύνης όσο και η στατιστική ανάλυση κατέδειξαν ότι η περιοδική αναπνοή προσέθεσε 6.11% μονάδες στην συνολική διαγνωστική αξία των μεταβλητών της ΚΑΔΚ ως προς τον προσδιορισμό της LVEF. Συμπεράσματα: Με την χρήση σύγχρονης τεχνολογίας μπορούμε να αξιοποιήσουμε μεγαλύτερο όγκο δεδομένων και να αναλύσουνε εις βάθος τα αποτελέσματα. Πιο αναλυτικά, μέσω της χρήσης των ασαφών συλλογιστικών συστημάτων μπορούσαμε να προσδιορίσουμε τόσο ποιοτικά όσο και ποσοτικά την διαγνωστική ικανότητα της περιοδικής αναπνοής στους ασθενείς με καρδιακή ανεπάρκεια. Παρόλα αυτά, τα συστήματα που δημιουργήσαμε δεν συστήνετε να χρησιμοποιηθούν από κάποιον «μη-ειδικό», όμως μπορούν να βοηθήσουν τους ίδιους ερευνητές σε στοχευμένες αναλύσεις επί του φαινομένου και την εξαγωγή περαιτέρω συμπερασμάτων.","abstract_html":"Εισαγωγή: Η Καρδιοαναπνευστική Δοκιμασία Κοπώσεως (ΚΑΔΚ) αποτελεί πλέον ένα σοβαρό εργαλείο για τη συγκέντρωση δεδομένων και την αξιολόγηση των ασθενών που πάσχουν από Καρδιακή Ανεπάρκεια (ΚΑ). Ένας από τους παράγοντες που καταμετρώνται κατά τη διάρκεια της ΚΑΔΚ είναι και η Περιοδική αναπνοή η ανάλυσή της όμως γίνεται σε μεγάλο βαθμό με απλές αναλογικές μεθόδους που είναι χρονοβόρες και υπόκεινται και στον παράγοντα του ανθρώπινου λάθους. Σκοπός της παρούσας μελέτης είναι να δημιουργηθεί ένα πρόγραμμα για την γρήγορη επεξεργασία των δεδομένων του κατά λεπτού αναπνοής κατά τη διάρκεια της ΚΑΔΚ ώστε η διάγνωση και αξιολόγηση της Περιοδικής Αναπνοής να γίνεται άμεσα και αξιόπιστα. Μετέπειτα γίνεται χρήση των Ασαφών Συστημάτων Συλλογιστικής για να συσχετίσει καθιερωμένες στοχευμένες μεταβλητές της ΚΑΔΚ (VE/VCO2slope, VO2peak, EOV και PETCO2) με τις κλινικές παραμέτρους NYHA και LVEF ως προς τον προσδιορισμό της σοβαρότητας της ΚΑ μέσω της ΚΑΔΚ. Μεθοδολογία: Δεδομένα τριακοσίων τεσσάρων συνολικά ασθενών με ΚΑ (ηλικία: 54±13 έτη, VO2peak: 17,9±7,3 ml/kg/min), χρησιμοποιήθηκαν για τη δημιουργία των ασαφών συστημάτων συλλογιστικής. Για τον προσδιορισμό της περιοδικής αναπνοής δημιουργήσαμε υπολογιστικό μοντέλο το οποίο βασίζεται στον ορισμό του φαινομένου από την Αμερικανική Καρδιολογική Εταιρεία. Τα δεδομένα που συλλέχθηκαν χρησιμοποιήθηκαν για τη δημιουργία δυο διαφορετικών συστημάτων Τεχνητής Νοημοσύνης (Ασαφών Συστημάτων Συλλογιστικής) μέσω της εφαρμογής Fuzzy Logic Designer – Matlab R2019a και τα αποτελέσματα του ελέγχθηκαν ως προς την στατιστική σημαντικότητα τους μέσω της εφαρμογής SPSS. Αποτελέσματα: Το πρώτο σύστημα συλλογιστικής κατέδειξε να παράγει με 98.45% ακρίβεια τη σχέση μεταξύ των μεταβλητών της ΚΑΔΚ με την ΝΥΗΑ και με 98.95% ακρίβεια τη σχέση των μεταβλητών της ΚΑΔΚ με την LVEF. Το δεύτερο σύστημα συλλογιστικής κατέδειξε να παράγει με 96.5% τις σχέσεις για την ΝΥΗΑ και 98.45% ακρίβεια τις σχέσεις μεταξύ των εμπλεκόμενων μεταβλητών. Τόσο το πρώτο όσο και το δεύτερο σύστημα Τεχνητής Νοημοσύνης επέδωσαν μικρή διαγνωστική αξία της περιοδικής αναπνοής για την κλινική ταξινόμηση κατά NYHA, το οποίο επιβεβαιώθηκε ύστερα από στατιστική ανάλυση που κατέδειξε βελτίωση της συνολικής διαγνωστικής αξίας όλων των μεταβλητών της ΚΑΔΚ κατά 0.63%. Τόσο τα συστήματα Τεχνητής Νοημοσύνης όσο και η στατιστική ανάλυση κατέδειξαν ότι η περιοδική αναπνοή προσέθεσε 6.11% μονάδες στην συνολική διαγνωστική αξία των μεταβλητών της ΚΑΔΚ ως προς τον προσδιορισμό της LVEF. Συμπεράσματα: Με την χρήση σύγχρονης τεχνολογίας μπορούμε να αξιοποιήσουμε μεγαλύτερο όγκο δεδομένων και να αναλύσουνε εις βάθος τα αποτελέσματα. Πιο αναλυτικά, μέσω της χρήσης των ασαφών συλλογιστικών συστημάτων μπορούσαμε να προσδιορίσουμε τόσο ποιοτικά όσο και ποσοτικά την διαγνωστική ικανότητα της περιοδικής αναπνοής στους ασθενείς με καρδιακή ανεπάρκεια. Παρόλα αυτά, τα συστήματα που δημιουργήσαμε δεν συστήνετε να χρησιμοποιηθούν από κάποιον «μη-ειδικό», όμως μπορούν να βοηθήσουν τους ίδιους ερευνητές σε στοχευμένες αναλύσεις επί του φαινομένου και την εξαγωγή περαιτέρω συμπερασμάτων.","abstract_has_math":false,"creators":["Ζαρβαλιάς Βασίλειος","Zarvalias Vasileios"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2020,"date_issued":"2020","date_published":"2020","updated_at":"2026-11-19T05:38:23Z","subjects":["Επιστήμες Υγείας","Health Sciences"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2916316"],"render_values":[{"text":"uoadl:2916316","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2916316","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2916316","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%3A2916316","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Ζαρβαλιάς Βασίλειος","Zarvalias Vasileios"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2020"]},{"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:2916316","https://pergamos.lib.uoa.gr/uoa/dl/object/2916316"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Εισαγωγή: Η Καρδιοαναπνευστική Δοκιμασία Κοπώσεως (ΚΑΔΚ) αποτελεί πλέον ένα σοβαρό εργαλείο για τη συγκέντρωση δεδομένων και την αξιολόγηση των ασθενών που πάσχουν από Καρδιακή Ανεπάρκεια (ΚΑ). Ένας από τους παράγοντες που καταμετρώνται κατά τη διάρκεια της ΚΑΔΚ είναι και η Περιοδική αναπνοή η ανάλυσή της όμως γίνεται σε μεγάλο βαθμό με απλές αναλογικές μεθόδους που είναι χρονοβόρες και υπόκεινται και στον παράγοντα του ανθρώπινου λάθους. Σκοπός της παρούσας μελέτης είναι να δημιουργηθεί ένα πρόγραμμα για την γρήγορη επεξεργασία των δεδομένων του κατά λεπτού αναπνοής κατά τη διάρκεια της ΚΑΔΚ ώστε η διάγνωση και αξιολόγηση της Περιοδικής Αναπνοής να γίνεται άμεσα και αξιόπιστα. Μετέπειτα γίνεται χρήση των Ασαφών Συστημάτων Συλλογιστικής για να συσχετίσει καθιερωμένες στοχευμένες μεταβλητές της ΚΑΔΚ (VE/VCO2slope, VO2peak, EOV και PETCO2) με τις κλινικές παραμέτρους NYHA και LVEF ως προς τον προσδιορισμό της σοβαρότητας της ΚΑ μέσω της ΚΑΔΚ. Μεθοδολογία: Δεδομένα τριακοσίων τεσσάρων συνολικά ασθενών με ΚΑ (ηλικία: 54±13 έτη, VO2peak: 17,9±7,3 ml/kg/min), χρησιμοποιήθηκαν για τη δημιουργία των ασαφών συστημάτων συλλογιστικής. Για τον προσδιορισμό της περιοδικής αναπνοής δημιουργήσαμε υπολογιστικό μοντέλο το οποίο βασίζεται στον ορισμό του φαινομένου από την Αμερικανική Καρδιολογική Εταιρεία. Τα δεδομένα που συλλέχθηκαν χρησιμοποιήθηκαν για τη δημιουργία δυο διαφορετικών συστημάτων Τεχνητής Νοημοσύνης (Ασαφών Συστημάτων Συλλογιστικής) μέσω της εφαρμογής Fuzzy Logic Designer – Matlab R2019a και τα αποτελέσματα του ελέγχθηκαν ως προς την στατιστική σημαντικότητα τους μέσω της εφαρμογής SPSS. Αποτελέσματα: Το πρώτο σύστημα συλλογιστικής κατέδειξε να παράγει με 98.45% ακρίβεια τη σχέση μεταξύ των μεταβλητών της ΚΑΔΚ με την ΝΥΗΑ και με 98.95% ακρίβεια τη σχέση των μεταβλητών της ΚΑΔΚ με την LVEF. Το δεύτερο σύστημα συλλογιστικής κατέδειξε να παράγει με 96.5% τις σχέσεις για την ΝΥΗΑ και 98.45% ακρίβεια τις σχέσεις μεταξύ των εμπλεκόμενων μεταβλητών. Τόσο το πρώτο όσο και το δεύτερο σύστημα Τεχνητής Νοημοσύνης επέδωσαν μικρή διαγνωστική αξία της περιοδικής αναπνοής για την κλινική ταξινόμηση κατά NYHA, το οποίο επιβεβαιώθηκε ύστερα από στατιστική ανάλυση που κατέδειξε βελτίωση της συνολικής διαγνωστικής αξίας όλων των μεταβλητών της ΚΑΔΚ κατά 0.63%. Τόσο τα συστήματα Τεχνητής Νοημοσύνης όσο και η στατιστική ανάλυση κατέδειξαν ότι η περιοδική αναπνοή προσέθεσε 6.11% μονάδες στην συνολική διαγνωστική αξία των μεταβλητών της ΚΑΔΚ ως προς τον προσδιορισμό της LVEF. Συμπεράσματα: Με την χρήση σύγχρονης τεχνολογίας μπορούμε να αξιοποιήσουμε μεγαλύτερο όγκο δεδομένων και να αναλύσουνε εις βάθος τα αποτελέσματα. Πιο αναλυτικά, μέσω της χρήσης των ασαφών συλλογιστικών συστημάτων μπορούσαμε να προσδιορίσουμε τόσο ποιοτικά όσο και ποσοτικά την διαγνωστική ικανότητα της περιοδικής αναπνοής στους ασθενείς με καρδιακή ανεπάρκεια. Παρόλα αυτά, τα συστήματα που δημιουργήσαμε δεν συστήνετε να χρησιμοποιηθούν από κάποιον «μη-ειδικό», όμως μπορούν να βοηθήσουν τους ίδιους ερευνητές σε στοχευμένες αναλύσεις επί του φαινομένου και την εξαγωγή περαιτέρω συμπερασμάτων.","Introduction: Cardiopulmonary Exercise Test (CPET) is considered an important tool for data collection and evaluation of patients with Heart Failure (HF). Oscillatory Ventilation during exercise (EOV) is one of the factors measured during CPET, but its analysis is largely done through simple analogue methods, that are time consuming and subject to the factor of human error. The purpose of this study is to develop an algorithm for rapid processing of respiratory data during the CPET so that the diagnosis and evaluation of EOV can be performed promptly and reliably. Subsequently, Fuzzy Inference Systems (FIS) is used to correlate established targeted CPET variables (VE/VCO2slope, VO2peak, EOV and PETCO2) with clinical parameters (NYHA and LVEF) in determining the severity of HR through the CPET. Methodology: Data from n=304 patients with HF (age: 54 ± 13 years, VO2peak: 17.9 ± 7.3 ml / kg / min) were used to generate the FIS. To determine the EOV we created a computational model based on the definition of the phenomenon by the American Heart Association (AHA). The data collected was used to create two different FIS using the Fuzzy Logic Designer - Matlab R2019a and its results were checked for statistical significance using SPSS v23. Results: The first FIS showed to reproduce with 98.45% accuracy the correlation between the CPET variables with NYHA and with 98.95% accuracy the correlation of the CPET variables with LVEF. The second FIS showed to produce with 96.5% accuracy the correlation for the ΝΥΗΑ and with 98.45% accuracy the correlation between the variables involved. Both the first and the second FIS delivered a low diagnostic value of EOV for the NYHA clinical classification, which was confirmed by statistical analysis, that showed an improvement in the overall diagnostic value of all CPET variables by 0.63%. Both FIS and statistical analysis showed that EOV increased 6.11% the total diagnostic value of CPET variables in determining LVEF. Conclusions: Using state-of-the-art technology we can exploit a larger volume of data and analyze the results in depth. More specific, using FIS we were able to determine qualitatively and quantitatively the diagnostic ability of EOV for patients with heart failure. However, the systems we set up are not recommended to be used by \"non-experts\" but can help the researchers in targeted analyses of the phenomenon and draw further conclusions."]},{"key":"dc:title","label":"Title","values":["Εκτίμηση του παράγοντα Περιοδικής Αναπνοής στην χρόνια καρδιακή ανεπάρκεια με τη χρήση Ασαφών Συστημάτων Συλλογιστικής"]}]}],"canonical_facts":{"dc:creator":["Ζαρβαλιάς Βασίλειος","Zarvalias Vasileios"],"dc:date":["2020"],"dc:description":["Εισαγωγή: Η Καρδιοαναπνευστική Δοκιμασία Κοπώσεως (ΚΑΔΚ) αποτελεί πλέον ένα σοβαρό εργαλείο για τη συγκέντρωση δεδομένων και την αξιολόγηση των ασθενών που πάσχουν από Καρδιακή Ανεπάρκεια (ΚΑ). Ένας από τους παράγοντες που καταμετρώνται κατά τη διάρκεια της ΚΑΔΚ είναι και η Περιοδική αναπνοή η ανάλυσή της όμως γίνεται σε μεγάλο βαθμό με απλές αναλογικές μεθόδους που είναι χρονοβόρες και υπόκεινται και στον παράγοντα του ανθρώπινου λάθους. Σκοπός της παρούσας μελέτης είναι να δημιουργηθεί ένα πρόγραμμα για την γρήγορη επεξεργασία των δεδομένων του κατά λεπτού αναπνοής κατά τη διάρκεια της ΚΑΔΚ ώστε η διάγνωση και αξιολόγηση της Περιοδικής Αναπνοής να γίνεται άμεσα και αξιόπιστα. Μετέπειτα γίνεται χρήση των Ασαφών Συστημάτων Συλλογιστικής για να συσχετίσει καθιερωμένες στοχευμένες μεταβλητές της ΚΑΔΚ (VE/VCO2slope, VO2peak, EOV και PETCO2) με τις κλινικές παραμέτρους NYHA και LVEF ως προς τον προσδιορισμό της σοβαρότητας της ΚΑ μέσω της ΚΑΔΚ. Μεθοδολογία: Δεδομένα τριακοσίων τεσσάρων συνολικά ασθενών με ΚΑ (ηλικία: 54±13 έτη, VO2peak: 17,9±7,3 ml/kg/min), χρησιμοποιήθηκαν για τη δημιουργία των ασαφών συστημάτων συλλογιστικής. Για τον προσδιορισμό της περιοδικής αναπνοής δημιουργήσαμε υπολογιστικό μοντέλο το οποίο βασίζεται στον ορισμό του φαινομένου από την Αμερικανική Καρδιολογική Εταιρεία. Τα δεδομένα που συλλέχθηκαν χρησιμοποιήθηκαν για τη δημιουργία δυο διαφορετικών συστημάτων Τεχνητής Νοημοσύνης (Ασαφών Συστημάτων Συλλογιστικής) μέσω της εφαρμογής Fuzzy Logic Designer – Matlab R2019a και τα αποτελέσματα του ελέγχθηκαν ως προς την στατιστική σημαντικότητα τους μέσω της εφαρμογής SPSS. Αποτελέσματα: Το πρώτο σύστημα συλλογιστικής κατέδειξε να παράγει με 98.45% ακρίβεια τη σχέση μεταξύ των μεταβλητών της ΚΑΔΚ με την ΝΥΗΑ και με 98.95% ακρίβεια τη σχέση των μεταβλητών της ΚΑΔΚ με την LVEF. Το δεύτερο σύστημα συλλογιστικής κατέδειξε να παράγει με 96.5% τις σχέσεις για την ΝΥΗΑ και 98.45% ακρίβεια τις σχέσεις μεταξύ των εμπλεκόμενων μεταβλητών. Τόσο το πρώτο όσο και το δεύτερο σύστημα Τεχνητής Νοημοσύνης επέδωσαν μικρή διαγνωστική αξία της περιοδικής αναπνοής για την κλινική ταξινόμηση κατά NYHA, το οποίο επιβεβαιώθηκε ύστερα από στατιστική ανάλυση που κατέδειξε βελτίωση της συνολικής διαγνωστικής αξίας όλων των μεταβλητών της ΚΑΔΚ κατά 0.63%. Τόσο τα συστήματα Τεχνητής Νοημοσύνης όσο και η στατιστική ανάλυση κατέδειξαν ότι η περιοδική αναπνοή προσέθεσε 6.11% μονάδες στην συνολική διαγνωστική αξία των μεταβλητών της ΚΑΔΚ ως προς τον προσδιορισμό της LVEF. Συμπεράσματα: Με την χρήση σύγχρονης τεχνολογίας μπορούμε να αξιοποιήσουμε μεγαλύτερο όγκο δεδομένων και να αναλύσουνε εις βάθος τα αποτελέσματα. Πιο αναλυτικά, μέσω της χρήσης των ασαφών συλλογιστικών συστημάτων μπορούσαμε να προσδιορίσουμε τόσο ποιοτικά όσο και ποσοτικά την διαγνωστική ικανότητα της περιοδικής αναπνοής στους ασθενείς με καρδιακή ανεπάρκεια. Παρόλα αυτά, τα συστήματα που δημιουργήσαμε δεν συστήνετε να χρησιμοποιηθούν από κάποιον «μη-ειδικό», όμως μπορούν να βοηθήσουν τους ίδιους ερευνητές σε στοχευμένες αναλύσεις επί του φαινομένου και την εξαγωγή περαιτέρω συμπερασμάτων.","Introduction: Cardiopulmonary Exercise Test (CPET) is considered an important tool for data collection and evaluation of patients with Heart Failure (HF). Oscillatory Ventilation during exercise (EOV) is one of the factors measured during CPET, but its analysis is largely done through simple analogue methods, that are time consuming and subject to the factor of human error. The purpose of this study is to develop an algorithm for rapid processing of respiratory data during the CPET so that the diagnosis and evaluation of EOV can be performed promptly and reliably. Subsequently, Fuzzy Inference Systems (FIS) is used to correlate established targeted CPET variables (VE/VCO2slope, VO2peak, EOV and PETCO2) with clinical parameters (NYHA and LVEF) in determining the severity of HR through the CPET. Methodology: Data from n=304 patients with HF (age: 54 ± 13 years, VO2peak: 17.9 ± 7.3 ml / kg / min) were used to generate the FIS. To determine the EOV we created a computational model based on the definition of the phenomenon by the American Heart Association (AHA). The data collected was used to create two different FIS using the Fuzzy Logic Designer - Matlab R2019a and its results were checked for statistical significance using SPSS v23. Results: The first FIS showed to reproduce with 98.45% accuracy the correlation between the CPET variables with NYHA and with 98.95% accuracy the correlation of the CPET variables with LVEF. The second FIS showed to produce with 96.5% accuracy the correlation for the ΝΥΗΑ and with 98.45% accuracy the correlation between the variables involved. Both the first and the second FIS delivered a low diagnostic value of EOV for the NYHA clinical classification, which was confirmed by statistical analysis, that showed an improvement in the overall diagnostic value of all CPET variables by 0.63%. Both FIS and statistical analysis showed that EOV increased 6.11% the total diagnostic value of CPET variables in determining LVEF. Conclusions: Using state-of-the-art technology we can exploit a larger volume of data and analyze the results in depth. More specific, using FIS we were able to determine qualitatively and quantitatively the diagnostic ability of EOV for patients with heart failure. However, the systems we set up are not recommended to be used by \"non-experts\" but can help the researchers in targeted analyses of the phenomenon and draw further conclusions."],"dc:identifier":["uoadl:2916316","https://pergamos.lib.uoa.gr/uoa/dl/object/2916316"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Επιστήμες Υγείας","Health Sciences"],"dc:title":["Εκτίμηση του παράγοντα Περιοδικής Αναπνοής στην χρόνια καρδιακή ανεπάρκεια με τη χρήση Ασαφών Συστημάτων Συλλογιστικής"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:38:23Z"}