{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2962520"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2962520","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 ερμηνεύσιμων υπολογιστικών μοντέλων για την υποστήριξη κλινικών αποφάσεων στη διαχείριση του Σακχαρώδους Διαβήτη Τύπου 2 και της Περιφερικής Αρτηριακής Νόσου","abstract":"Αντικείμενο της παρούσας διπλωματικής εργασίας είναι η ανάπτυξη και αξιολόγηση ερμηνεύσιμων υπολογιστικών συστημάτων υποστήριξης κλινικών αποφάσεων, βασισμένων σε τεχνητή νοημοσύνη. Συγκεκριμένα έχουν αναπτυχθεί εξατομικευμένα και ερμηνεύσιμα μοντέλα εκτίμησης του κινδύνου εμφάνισης Σακχαρώδους Διαβήτη Τύπου 2 (Σ.Δ.Τ.2) τόσο βραχυπρόθεσμα (3 έτη) όσο και μακροπρόθεσμα (15 έτη) και του κινδύνου ακρωτηριασμού μετά από επέμβαση σε ασθενείς με Περιφερική Αρτηριακή Νόσο (Π.Α.Ν.). Τόσο ο Σ.Δ.Τ.2 όσο και η Π.Α.Ν. παρουσιάζουν υψηλούς ρυθμούς εξάπλωσης και πολύ συχνά αποτελούν συννοσηρότητες. Η εμφάνιση του Σ.Δ.Τ.2 μπορεί να προληφθεί μέσω της υιοθέτησης υγιεινού τρόπου ζωής και ρύθμισης του βάρους, καθιστώντας έτσι ύψιστης σημασίας την ανίχνευση ατόμων υψηλού κινδύνου. Η διαχείριση της Π.Α.Ν. μπορεί να βελτιωθεί παρέχοντας στο ιατρικό προσωπικό τον κίνδυνο ακρωτηριασμού 30 ημέρες μετά από επέμβαση ώστε να λαμβάνονται εγκαίρως αποφάσεις. Για την ανάπτυξη και αξιολόγηση των μοντέλων εκτίμησης του κινδύνου εμφάνισης Σ.Δ.Τ.2. χρησιμοποιήθηκαν δεδομένα από την δημόσια βάση της Κορεατικής Μελέτης Γονιδιώματος και Επιδημιολογίας. Από ένα σύνολο περίπου 235.000 ατόμων που συμμετείχαν στο πρόγραμμα, στη βάση διατίθενται για ερευνητικούς σκοπούς δεδομένα από 1.000 συμμετέχοντες (τυχαία επιλογή). Οι πληροφορίες συλλέχθηκαν από τα μέλη του οργανισμού από το 2003 έως το 2017 με συχνότητα παρακολούθησης 2 έως 4 χρόνια. Τα δεδομένα ενσωματώνουν δημογραφικές, κλινικές και τρόπου ζωής πληροφορίες. To μοντέλο βραχυπρόθεσμης εκτίμησης του κινδύνου συνεκτιμά την εξέλιξη των προδιαθεσικών παραγόντων τα προηγούμενα οκτώ έτη και εξάγει την πιθανότητα νόσησης εντός των επόμενων τριών ετών. Το μοντέλο μακροπρόθεσμης εκτίμησης του κινδύνου λαμβάνει υπόψη δεδομένα πρώτης επίσκεψης και παράγει την πιθανότητα νόσησης εντός των επόμενων 15 ετών. Για την επίτευξη εξατομίκευσης και διαφάνειας διερευνήθηκε η χρήση τεχνικών μηχανικής μάθησης (XGBoost, LSTM) σε συνδυασμό με μεθόδους ερμηνείας των αποτελεσμάτων που εξάγονται από τα μοντέλα (LIME, SHAP Deep Explainer). Για την ανάπτυξη και αξιολόγηση του μοντέλου εκτίμησης του κινδύνου ακρωτηριασμού σε ασθενείς με Π.Α.Ν., χρησιμοποιήθηκαν δεδομένα που παραχωρήθηκαν από Γενικό Ιπποκράτειο Νοσοκομείο Αθηνών. Τα δεδομένα περιλαμβάνουν δημογραφικές, σωματομετρικές, κλινικές και τρόπου ζωής πληροφορίες από 73 ασθενείς. Η ανάπτυξη του μοντέλου βασίστηκε στην μέθοδο XGBoost και η ερμηνεία των αποτελεσμάτων στην τεχνική LIME. Για την αντιμετώπιση της μη ισορροπημένης φύσης των δεδομένων εφαρμόστηκαν τεχνικές συλλογικής μάθησης. Τα μοντέλα αξιολογήθηκαν ως προς τη διακριτική τους ικανότητα και την παραγωγή ερμηνεύσιμων εκτιμήσεων κινδύνου με ακρίβεια.","abstract_html":"Αντικείμενο της παρούσας διπλωματικής εργασίας είναι η ανάπτυξη και αξιολόγηση ερμηνεύσιμων υπολογιστικών συστημάτων υποστήριξης κλινικών αποφάσεων, βασισμένων σε τεχνητή νοημοσύνη. Συγκεκριμένα έχουν αναπτυχθεί εξατομικευμένα και ερμηνεύσιμα μοντέλα εκτίμησης του κινδύνου εμφάνισης Σακχαρώδους Διαβήτη Τύπου 2 (Σ.Δ.Τ.2) τόσο βραχυπρόθεσμα (3 έτη) όσο και μακροπρόθεσμα (15 έτη) και του κινδύνου ακρωτηριασμού μετά από επέμβαση σε ασθενείς με Περιφερική Αρτηριακή Νόσο (Π.Α.Ν.). Τόσο ο Σ.Δ.Τ.2 όσο και η Π.Α.Ν. παρουσιάζουν υψηλούς ρυθμούς εξάπλωσης και πολύ συχνά αποτελούν συννοσηρότητες. Η εμφάνιση του Σ.Δ.Τ.2 μπορεί να προληφθεί μέσω της υιοθέτησης υγιεινού τρόπου ζωής και ρύθμισης του βάρους, καθιστώντας έτσι ύψιστης σημασίας την ανίχνευση ατόμων υψηλού κινδύνου. Η διαχείριση της Π.Α.Ν. μπορεί να βελτιωθεί παρέχοντας στο ιατρικό προσωπικό τον κίνδυνο ακρωτηριασμού 30 ημέρες μετά από επέμβαση ώστε να λαμβάνονται εγκαίρως αποφάσεις. Για την ανάπτυξη και αξιολόγηση των μοντέλων εκτίμησης του κινδύνου εμφάνισης Σ.Δ.Τ.2. χρησιμοποιήθηκαν δεδομένα από την δημόσια βάση της Κορεατικής Μελέτης Γονιδιώματος και Επιδημιολογίας. Από ένα σύνολο περίπου 235.000 ατόμων που συμμετείχαν στο πρόγραμμα, στη βάση διατίθενται για ερευνητικούς σκοπούς δεδομένα από 1.000 συμμετέχοντες (τυχαία επιλογή). Οι πληροφορίες συλλέχθηκαν από τα μέλη του οργανισμού από το 2003 έως το 2017 με συχνότητα παρακολούθησης 2 έως 4 χρόνια. Τα δεδομένα ενσωματώνουν δημογραφικές, κλινικές και τρόπου ζωής πληροφορίες. To μοντέλο βραχυπρόθεσμης εκτίμησης του κινδύνου συνεκτιμά την εξέλιξη των προδιαθεσικών παραγόντων τα προηγούμενα οκτώ έτη και εξάγει την πιθανότητα νόσησης εντός των επόμενων τριών ετών. Το μοντέλο μακροπρόθεσμης εκτίμησης του κινδύνου λαμβάνει υπόψη δεδομένα πρώτης επίσκεψης και παράγει την πιθανότητα νόσησης εντός των επόμενων 15 ετών. Για την επίτευξη εξατομίκευσης και διαφάνειας διερευνήθηκε η χρήση τεχνικών μηχανικής μάθησης (XGBoost, LSTM) σε συνδυασμό με μεθόδους ερμηνείας των αποτελεσμάτων που εξάγονται από τα μοντέλα (LIME, SHAP Deep Explainer). Για την ανάπτυξη και αξιολόγηση του μοντέλου εκτίμησης του κινδύνου ακρωτηριασμού σε ασθενείς με Π.Α.Ν., χρησιμοποιήθηκαν δεδομένα που παραχωρήθηκαν από Γενικό Ιπποκράτειο Νοσοκομείο Αθηνών. Τα δεδομένα περιλαμβάνουν δημογραφικές, σωματομετρικές, κλινικές και τρόπου ζωής πληροφορίες από 73 ασθενείς. Η ανάπτυξη του μοντέλου βασίστηκε στην μέθοδο XGBoost και η ερμηνεία των αποτελεσμάτων στην τεχνική LIME. Για την αντιμετώπιση της μη ισορροπημένης φύσης των δεδομένων εφαρμόστηκαν τεχνικές συλλογικής μάθησης. Τα μοντέλα αξιολογήθηκαν ως προς τη διακριτική τους ικανότητα και την παραγωγή ερμηνεύσιμων εκτιμήσεων κινδύνου με ακρίβεια.","abstract_has_math":false,"creators":["Σταθάτου Ιωάννα","Stathatou Ioanna"],"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":"2026-11-19T05:43:52Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2962520"],"render_values":[{"text":"uoadl:2962520","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2962520","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2962520","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%3A2962520","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Σταθάτου Ιωάννα","Stathatou Ioanna"]}]},{"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":["Θετικές Επιστήμες","Science"]}]},{"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:2962520","https://pergamos.lib.uoa.gr/uoa/dl/object/2962520"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Αντικείμενο της παρούσας διπλωματικής εργασίας είναι η ανάπτυξη και αξιολόγηση ερμηνεύσιμων υπολογιστικών συστημάτων υποστήριξης κλινικών αποφάσεων, βασισμένων σε τεχνητή νοημοσύνη. Συγκεκριμένα έχουν αναπτυχθεί εξατομικευμένα και ερμηνεύσιμα μοντέλα εκτίμησης του κινδύνου εμφάνισης Σακχαρώδους Διαβήτη Τύπου 2 (Σ.Δ.Τ.2) τόσο βραχυπρόθεσμα (3 έτη) όσο και μακροπρόθεσμα (15 έτη) και του κινδύνου ακρωτηριασμού μετά από επέμβαση σε ασθενείς με Περιφερική Αρτηριακή Νόσο (Π.Α.Ν.). Τόσο ο Σ.Δ.Τ.2 όσο και η Π.Α.Ν. παρουσιάζουν υψηλούς ρυθμούς εξάπλωσης και πολύ συχνά αποτελούν συννοσηρότητες. Η εμφάνιση του Σ.Δ.Τ.2 μπορεί να προληφθεί μέσω της υιοθέτησης υγιεινού τρόπου ζωής και ρύθμισης του βάρους, καθιστώντας έτσι ύψιστης σημασίας την ανίχνευση ατόμων υψηλού κινδύνου. Η διαχείριση της Π.Α.Ν. μπορεί να βελτιωθεί παρέχοντας στο ιατρικό προσωπικό τον κίνδυνο ακρωτηριασμού 30 ημέρες μετά από επέμβαση ώστε να λαμβάνονται εγκαίρως αποφάσεις. Για την ανάπτυξη και αξιολόγηση των μοντέλων εκτίμησης του κινδύνου εμφάνισης Σ.Δ.Τ.2. χρησιμοποιήθηκαν δεδομένα από την δημόσια βάση της Κορεατικής Μελέτης Γονιδιώματος και Επιδημιολογίας. Από ένα σύνολο περίπου 235.000 ατόμων που συμμετείχαν στο πρόγραμμα, στη βάση διατίθενται για ερευνητικούς σκοπούς δεδομένα από 1.000 συμμετέχοντες (τυχαία επιλογή). Οι πληροφορίες συλλέχθηκαν από τα μέλη του οργανισμού από το 2003 έως το 2017 με συχνότητα παρακολούθησης 2 έως 4 χρόνια. Τα δεδομένα ενσωματώνουν δημογραφικές, κλινικές και τρόπου ζωής πληροφορίες. To μοντέλο βραχυπρόθεσμης εκτίμησης του κινδύνου συνεκτιμά την εξέλιξη των προδιαθεσικών παραγόντων τα προηγούμενα οκτώ έτη και εξάγει την πιθανότητα νόσησης εντός των επόμενων τριών ετών. Το μοντέλο μακροπρόθεσμης εκτίμησης του κινδύνου λαμβάνει υπόψη δεδομένα πρώτης επίσκεψης και παράγει την πιθανότητα νόσησης εντός των επόμενων 15 ετών. Για την επίτευξη εξατομίκευσης και διαφάνειας διερευνήθηκε η χρήση τεχνικών μηχανικής μάθησης (XGBoost, LSTM) σε συνδυασμό με μεθόδους ερμηνείας των αποτελεσμάτων που εξάγονται από τα μοντέλα (LIME, SHAP Deep Explainer). Για την ανάπτυξη και αξιολόγηση του μοντέλου εκτίμησης του κινδύνου ακρωτηριασμού σε ασθενείς με Π.Α.Ν., χρησιμοποιήθηκαν δεδομένα που παραχωρήθηκαν από Γενικό Ιπποκράτειο Νοσοκομείο Αθηνών. Τα δεδομένα περιλαμβάνουν δημογραφικές, σωματομετρικές, κλινικές και τρόπου ζωής πληροφορίες από 73 ασθενείς. Η ανάπτυξη του μοντέλου βασίστηκε στην μέθοδο XGBoost και η ερμηνεία των αποτελεσμάτων στην τεχνική LIME. Για την αντιμετώπιση της μη ισορροπημένης φύσης των δεδομένων εφαρμόστηκαν τεχνικές συλλογικής μάθησης. Τα μοντέλα αξιολογήθηκαν ως προς τη διακριτική τους ικανότητα και την παραγωγή ερμηνεύσιμων εκτιμήσεων κινδύνου με ακρίβεια.","The present thesis aims at the development and evaluation of explainable clinical decision support systems, based on artificial intelligence. Specifically, personalized and interpretable models have been developed to assess the risk of Type 2 Diabetes Mellitus (T.2.D.M) both short-term (3 years) and long-term (15 years) and the risk of amputation after surgery in patients with Peripheral Artery Disease (P.A.D.). Both T.2.D.M. and P.A.D. present high rates of prevalence and are often encountered as comorbidities. The occurrence of T.2.D.M. can be prevented through the adoption of effective behavioural lifestyle changes and body weight regulation, making thus the detection of high-risk individuals of utmost importance. The management of P.A.D. can be improved by providing to the health care professionals the risk of amputation 30 days after surgery empowering them in clinical decision making. that decisions can be made in time. The development and evaluation of T.2.D.M. risk prediction models has been based on data from the public database of the Korean Genome and Epidemiology Study. From a total of approximately 235,000 people who have participated in the study, data corresponding to 1,000 randomly selected participants are available for research purposes. The data has been collected by the members of the organization from 2003 to 2017 with a frequency of follow up assessments up to 2 -4 years. The data include demographic, clinical and lifestyle information. The short-term risk prediction model takes into account the evolution of predisposing factors over the past eight years and generates the possibility of disease onset within the next three years. The long-term risk prediction model takes into account data at the baseline visit and produces the probability of disease onset within the next 15 years. In order to achieve personalization and transparency, the use of machine learning techniques (XGBoost, LSTM) in combination with methods of interpreting the results extracted from the models (LIME, SHAP Deep Explainer) have been investigated. The model for assessing the risk of amputation in patients with P.A.D. has been developed based on data granted from the Hippokration General Hospital of Athens. Data include demographic, somatometric, clinical and lifestyle information from 73 patients. The development of the model has been based on the XGBoost method and the interpretation of the results on the LIME technique. Ensemble learning techniques have been applied to address the unbalanced nature of the datasets. The models have been evaluated in terms of their discrimination ability and accurate production of the explainable risk assessments."]},{"key":"dc:title","label":"Title","values":["Ανάπτυξη ερμηνεύσιμων υπολογιστικών μοντέλων για την υποστήριξη κλινικών αποφάσεων στη διαχείριση του Σακχαρώδους Διαβήτη Τύπου 2 και της Περιφερικής Αρτηριακής Νόσου"]}]}],"canonical_facts":{"dc:creator":["Σταθάτου Ιωάννα","Stathatou Ioanna"],"dc:date":["2021"],"dc:description":["Αντικείμενο της παρούσας διπλωματικής εργασίας είναι η ανάπτυξη και αξιολόγηση ερμηνεύσιμων υπολογιστικών συστημάτων υποστήριξης κλινικών αποφάσεων, βασισμένων σε τεχνητή νοημοσύνη. Συγκεκριμένα έχουν αναπτυχθεί εξατομικευμένα και ερμηνεύσιμα μοντέλα εκτίμησης του κινδύνου εμφάνισης Σακχαρώδους Διαβήτη Τύπου 2 (Σ.Δ.Τ.2) τόσο βραχυπρόθεσμα (3 έτη) όσο και μακροπρόθεσμα (15 έτη) και του κινδύνου ακρωτηριασμού μετά από επέμβαση σε ασθενείς με Περιφερική Αρτηριακή Νόσο (Π.Α.Ν.). Τόσο ο Σ.Δ.Τ.2 όσο και η Π.Α.Ν. παρουσιάζουν υψηλούς ρυθμούς εξάπλωσης και πολύ συχνά αποτελούν συννοσηρότητες. Η εμφάνιση του Σ.Δ.Τ.2 μπορεί να προληφθεί μέσω της υιοθέτησης υγιεινού τρόπου ζωής και ρύθμισης του βάρους, καθιστώντας έτσι ύψιστης σημασίας την ανίχνευση ατόμων υψηλού κινδύνου. Η διαχείριση της Π.Α.Ν. μπορεί να βελτιωθεί παρέχοντας στο ιατρικό προσωπικό τον κίνδυνο ακρωτηριασμού 30 ημέρες μετά από επέμβαση ώστε να λαμβάνονται εγκαίρως αποφάσεις. Για την ανάπτυξη και αξιολόγηση των μοντέλων εκτίμησης του κινδύνου εμφάνισης Σ.Δ.Τ.2. χρησιμοποιήθηκαν δεδομένα από την δημόσια βάση της Κορεατικής Μελέτης Γονιδιώματος και Επιδημιολογίας. Από ένα σύνολο περίπου 235.000 ατόμων που συμμετείχαν στο πρόγραμμα, στη βάση διατίθενται για ερευνητικούς σκοπούς δεδομένα από 1.000 συμμετέχοντες (τυχαία επιλογή). Οι πληροφορίες συλλέχθηκαν από τα μέλη του οργανισμού από το 2003 έως το 2017 με συχνότητα παρακολούθησης 2 έως 4 χρόνια. Τα δεδομένα ενσωματώνουν δημογραφικές, κλινικές και τρόπου ζωής πληροφορίες. To μοντέλο βραχυπρόθεσμης εκτίμησης του κινδύνου συνεκτιμά την εξέλιξη των προδιαθεσικών παραγόντων τα προηγούμενα οκτώ έτη και εξάγει την πιθανότητα νόσησης εντός των επόμενων τριών ετών. Το μοντέλο μακροπρόθεσμης εκτίμησης του κινδύνου λαμβάνει υπόψη δεδομένα πρώτης επίσκεψης και παράγει την πιθανότητα νόσησης εντός των επόμενων 15 ετών. Για την επίτευξη εξατομίκευσης και διαφάνειας διερευνήθηκε η χρήση τεχνικών μηχανικής μάθησης (XGBoost, LSTM) σε συνδυασμό με μεθόδους ερμηνείας των αποτελεσμάτων που εξάγονται από τα μοντέλα (LIME, SHAP Deep Explainer). Για την ανάπτυξη και αξιολόγηση του μοντέλου εκτίμησης του κινδύνου ακρωτηριασμού σε ασθενείς με Π.Α.Ν., χρησιμοποιήθηκαν δεδομένα που παραχωρήθηκαν από Γενικό Ιπποκράτειο Νοσοκομείο Αθηνών. Τα δεδομένα περιλαμβάνουν δημογραφικές, σωματομετρικές, κλινικές και τρόπου ζωής πληροφορίες από 73 ασθενείς. Η ανάπτυξη του μοντέλου βασίστηκε στην μέθοδο XGBoost και η ερμηνεία των αποτελεσμάτων στην τεχνική LIME. Για την αντιμετώπιση της μη ισορροπημένης φύσης των δεδομένων εφαρμόστηκαν τεχνικές συλλογικής μάθησης. Τα μοντέλα αξιολογήθηκαν ως προς τη διακριτική τους ικανότητα και την παραγωγή ερμηνεύσιμων εκτιμήσεων κινδύνου με ακρίβεια.","The present thesis aims at the development and evaluation of explainable clinical decision support systems, based on artificial intelligence. Specifically, personalized and interpretable models have been developed to assess the risk of Type 2 Diabetes Mellitus (T.2.D.M) both short-term (3 years) and long-term (15 years) and the risk of amputation after surgery in patients with Peripheral Artery Disease (P.A.D.). Both T.2.D.M. and P.A.D. present high rates of prevalence and are often encountered as comorbidities. The occurrence of T.2.D.M. can be prevented through the adoption of effective behavioural lifestyle changes and body weight regulation, making thus the detection of high-risk individuals of utmost importance. The management of P.A.D. can be improved by providing to the health care professionals the risk of amputation 30 days after surgery empowering them in clinical decision making. that decisions can be made in time. The development and evaluation of T.2.D.M. risk prediction models has been based on data from the public database of the Korean Genome and Epidemiology Study. From a total of approximately 235,000 people who have participated in the study, data corresponding to 1,000 randomly selected participants are available for research purposes. The data has been collected by the members of the organization from 2003 to 2017 with a frequency of follow up assessments up to 2 -4 years. The data include demographic, clinical and lifestyle information. The short-term risk prediction model takes into account the evolution of predisposing factors over the past eight years and generates the possibility of disease onset within the next three years. The long-term risk prediction model takes into account data at the baseline visit and produces the probability of disease onset within the next 15 years. In order to achieve personalization and transparency, the use of machine learning techniques (XGBoost, LSTM) in combination with methods of interpreting the results extracted from the models (LIME, SHAP Deep Explainer) have been investigated. The model for assessing the risk of amputation in patients with P.A.D. has been developed based on data granted from the Hippokration General Hospital of Athens. Data include demographic, somatometric, clinical and lifestyle information from 73 patients. The development of the model has been based on the XGBoost method and the interpretation of the results on the LIME technique. Ensemble learning techniques have been applied to address the unbalanced nature of the datasets. The models have been evaluated in terms of their discrimination ability and accurate production of the explainable risk assessments."],"dc:identifier":["uoadl:2962520","https://pergamos.lib.uoa.gr/uoa/dl/object/2962520"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Ανάπτυξη ερμηνεύσιμων υπολογιστικών μοντέλων για την υποστήριξη κλινικών αποφάσεων στη διαχείριση του Σακχαρώδους Διαβήτη Τύπου 2 και της Περιφερικής Αρτηριακής Νόσου"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:43:52Z"}