{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2946729"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2946729","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 μοντέλων πρόβλεψης με Μηχανική Μάθηση στην αποκατάσταση ασθενών της ΜΕΘ","abstract":"Η Μονάδα Εντατικής Θεραπείας είναι ένα τμήμα όπου η πρόβλεψη είναι ζωτικής σημασίας για την πορεία και την αποκατάσταση των ασθενών. Στην παρούσα εργασία αναπτύχθηκαν μοντέλα πρόβλεψης με Μηχανική Μάθηση. Τα δεδομένα της μελέτης συλλέχθησαν κατά τη διάρκεια της πολυκεντρικής μελέτης «Παράγοντες και Πρακτικές Πρόληψης και Αποκατάστασης σε Ασθενείς της ΜΕΘ». Το δείγμα της μελέτης αποτελείται από 150 ασθενείς που εισήχθησαν στη μονάδα και παρέμειναν σε μηχανικό αερισμό για τουλάχιστον τρεις ημέρες. Τα δεδομένα επεξεργάστηκαν μέσω επιβλεπόμενης μάθησης και συγκεκριμένα την τεχνική της κατηγοριοποίησης. Αναπτύχθηκαν μοντέλα για την πρόβλεψη της τραχειοστομίας, της έκβασης από την ΜΕΘ και για την πρόβλεψη της ικανότητας βάδισης κατά την έξοδο από το νοσοκομείο. Έγινε εφαρμογή ενός αλγορίθμου πρόσθετων επεξηγήσεων SHAP, ώστε να λάβουμε εξηγήσεις για τα χαρακτηριστικά που οδηγούν έναν συγκεκριμένο ασθενή σε συγκεκριμένη πρόβλεψη. Τα παραγόμενα μοντέλα είχαν ισχυρό ποσοστό ακρίβειας που φτάνει στο 85,9%, 75,8% και 93,3% αντίστοιχα αλλά με χαμηλή προγνωστική αξία, καθώς η πρόβλεψη δεν γίνεται έγκαιρα. Το μοντέλο της πρόβλεψης της ικανότητας βάδισης αποτελεί ένα πρωτότυπο εύρημα που μπορεί να καθορίσει τους στόχους της αποκατάστασης και θα αποτελέσει σημείο αναφοράς για περεταίρω έρευνα.","abstract_html":"Η Μονάδα Εντατικής Θεραπείας είναι ένα τμήμα όπου η πρόβλεψη είναι ζωτικής σημασίας για την πορεία και την αποκατάσταση των ασθενών. Στην παρούσα εργασία αναπτύχθηκαν μοντέλα πρόβλεψης με Μηχανική Μάθηση. Τα δεδομένα της μελέτης συλλέχθησαν κατά τη διάρκεια της πολυκεντρικής μελέτης «Παράγοντες και Πρακτικές Πρόληψης και Αποκατάστασης σε Ασθενείς της ΜΕΘ». Το δείγμα της μελέτης αποτελείται από 150 ασθενείς που εισήχθησαν στη μονάδα και παρέμειναν σε μηχανικό αερισμό για τουλάχιστον τρεις ημέρες. Τα δεδομένα επεξεργάστηκαν μέσω επιβλεπόμενης μάθησης και συγκεκριμένα την τεχνική της κατηγοριοποίησης. Αναπτύχθηκαν μοντέλα για την πρόβλεψη της τραχειοστομίας, της έκβασης από την ΜΕΘ και για την πρόβλεψη της ικανότητας βάδισης κατά την έξοδο από το νοσοκομείο. Έγινε εφαρμογή ενός αλγορίθμου πρόσθετων επεξηγήσεων SHAP, ώστε να λάβουμε εξηγήσεις για τα χαρακτηριστικά που οδηγούν έναν συγκεκριμένο ασθενή σε συγκεκριμένη πρόβλεψη. Τα παραγόμενα μοντέλα είχαν ισχυρό ποσοστό ακρίβειας που φτάνει στο 85,9%, 75,8% και 93,3% αντίστοιχα αλλά με χαμηλή προγνωστική αξία, καθώς η πρόβλεψη δεν γίνεται έγκαιρα. Το μοντέλο της πρόβλεψης της ικανότητας βάδισης αποτελεί ένα πρωτότυπο εύρημα που μπορεί να καθορίσει τους στόχους της αποκατάστασης και θα αποτελέσει σημείο αναφοράς για περεταίρω έρευνα.","abstract_has_math":false,"creators":["Πολίτη Αθηνά","Politi Athina"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2021,"date_issued":"2021","date_published":"2021","updated_at":"2026-11-19T05:42:48Z","subjects":["Επιστήμες Υγείας","Health Sciences"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2946729"],"render_values":[{"text":"uoadl:2946729","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2946729","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2946729","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%3A2946729","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Πολίτη Αθηνά","Politi Athina"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2021"]},{"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:2946729","https://pergamos.lib.uoa.gr/uoa/dl/object/2946729"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η Μονάδα Εντατικής Θεραπείας είναι ένα τμήμα όπου η πρόβλεψη είναι ζωτικής σημασίας για την πορεία και την αποκατάσταση των ασθενών. Στην παρούσα εργασία αναπτύχθηκαν μοντέλα πρόβλεψης με Μηχανική Μάθηση. Τα δεδομένα της μελέτης συλλέχθησαν κατά τη διάρκεια της πολυκεντρικής μελέτης «Παράγοντες και Πρακτικές Πρόληψης και Αποκατάστασης σε Ασθενείς της ΜΕΘ». Το δείγμα της μελέτης αποτελείται από 150 ασθενείς που εισήχθησαν στη μονάδα και παρέμειναν σε μηχανικό αερισμό για τουλάχιστον τρεις ημέρες. Τα δεδομένα επεξεργάστηκαν μέσω επιβλεπόμενης μάθησης και συγκεκριμένα την τεχνική της κατηγοριοποίησης. Αναπτύχθηκαν μοντέλα για την πρόβλεψη της τραχειοστομίας, της έκβασης από την ΜΕΘ και για την πρόβλεψη της ικανότητας βάδισης κατά την έξοδο από το νοσοκομείο. Έγινε εφαρμογή ενός αλγορίθμου πρόσθετων επεξηγήσεων SHAP, ώστε να λάβουμε εξηγήσεις για τα χαρακτηριστικά που οδηγούν έναν συγκεκριμένο ασθενή σε συγκεκριμένη πρόβλεψη. Τα παραγόμενα μοντέλα είχαν ισχυρό ποσοστό ακρίβειας που φτάνει στο 85,9%, 75,8% και 93,3% αντίστοιχα αλλά με χαμηλή προγνωστική αξία, καθώς η πρόβλεψη δεν γίνεται έγκαιρα. Το μοντέλο της πρόβλεψης της ικανότητας βάδισης αποτελεί ένα πρωτότυπο εύρημα που μπορεί να καθορίσει τους στόχους της αποκατάστασης και θα αποτελέσει σημείο αναφοράς για περεταίρω έρευνα.","The Intensive Care Unit is a department where prediction is vital for patients' progress and rehabilitation. In this paper, prediction models were developed with Machine Learning. The data of the study was collected during the multicenter study \"Factors and Practices of Prevention and Rehabilitation in ICU Patients\". The study sample consists of 150 patients admitted to the unit and received mechanical ventilation for at least three days. The data was modelled with supervised learning and specifically the classification technique. Different models have been developed to predict tracheostomy, ICU outcome, and walking capacity upon discharge from hospital. An additional SHAP explanatory algorithm was implemented to further explore the characteristics that led a particular patient to a specific prediction. The developed models had a strong accuracy of prediction rate of 85.9%, 75.8% and 93.3% respectively but with a low prognostic value, as the prediction is not made in time. The gait prediction model is an original finding that can set the goals of rehabilitation and would be a reference point for further research."]},{"key":"dc:title","label":"Title","values":["Ανάπτυξη μοντέλων πρόβλεψης με Μηχανική Μάθηση στην αποκατάσταση ασθενών της ΜΕΘ"]}]}],"canonical_facts":{"dc:creator":["Πολίτη Αθηνά","Politi Athina"],"dc:date":["2021"],"dc:description":["Η Μονάδα Εντατικής Θεραπείας είναι ένα τμήμα όπου η πρόβλεψη είναι ζωτικής σημασίας για την πορεία και την αποκατάσταση των ασθενών. Στην παρούσα εργασία αναπτύχθηκαν μοντέλα πρόβλεψης με Μηχανική Μάθηση. Τα δεδομένα της μελέτης συλλέχθησαν κατά τη διάρκεια της πολυκεντρικής μελέτης «Παράγοντες και Πρακτικές Πρόληψης και Αποκατάστασης σε Ασθενείς της ΜΕΘ». Το δείγμα της μελέτης αποτελείται από 150 ασθενείς που εισήχθησαν στη μονάδα και παρέμειναν σε μηχανικό αερισμό για τουλάχιστον τρεις ημέρες. Τα δεδομένα επεξεργάστηκαν μέσω επιβλεπόμενης μάθησης και συγκεκριμένα την τεχνική της κατηγοριοποίησης. Αναπτύχθηκαν μοντέλα για την πρόβλεψη της τραχειοστομίας, της έκβασης από την ΜΕΘ και για την πρόβλεψη της ικανότητας βάδισης κατά την έξοδο από το νοσοκομείο. Έγινε εφαρμογή ενός αλγορίθμου πρόσθετων επεξηγήσεων SHAP, ώστε να λάβουμε εξηγήσεις για τα χαρακτηριστικά που οδηγούν έναν συγκεκριμένο ασθενή σε συγκεκριμένη πρόβλεψη. Τα παραγόμενα μοντέλα είχαν ισχυρό ποσοστό ακρίβειας που φτάνει στο 85,9%, 75,8% και 93,3% αντίστοιχα αλλά με χαμηλή προγνωστική αξία, καθώς η πρόβλεψη δεν γίνεται έγκαιρα. Το μοντέλο της πρόβλεψης της ικανότητας βάδισης αποτελεί ένα πρωτότυπο εύρημα που μπορεί να καθορίσει τους στόχους της αποκατάστασης και θα αποτελέσει σημείο αναφοράς για περεταίρω έρευνα.","The Intensive Care Unit is a department where prediction is vital for patients' progress and rehabilitation. In this paper, prediction models were developed with Machine Learning. The data of the study was collected during the multicenter study \"Factors and Practices of Prevention and Rehabilitation in ICU Patients\". The study sample consists of 150 patients admitted to the unit and received mechanical ventilation for at least three days. The data was modelled with supervised learning and specifically the classification technique. Different models have been developed to predict tracheostomy, ICU outcome, and walking capacity upon discharge from hospital. An additional SHAP explanatory algorithm was implemented to further explore the characteristics that led a particular patient to a specific prediction. The developed models had a strong accuracy of prediction rate of 85.9%, 75.8% and 93.3% respectively but with a low prognostic value, as the prediction is not made in time. The gait prediction model is an original finding that can set the goals of rehabilitation and would be a reference point for further research."],"dc:identifier":["uoadl:2946729","https://pergamos.lib.uoa.gr/uoa/dl/object/2946729"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Επιστήμες Υγείας","Health Sciences"],"dc:title":["Ανάπτυξη μοντέλων πρόβλεψης με Μηχανική Μάθηση στην αποκατάσταση ασθενών της ΜΕΘ"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:42:48Z"}