National and Kapodistrian University of Athens
Μελέτη της επίπτωσης διαφόρων παραγόντων στην εμφάνιση και την εξέλιξη της νόσου του Parkinson χρησιμοποιώντας Μηχανική Μάθηση
Abstract
dc:descriptionΗ νόσος του Πάρκινσον είναι μία προοδευτικά εξελισσόμενη, νευροεκφυλιστική διαταραχή. Επηρεάζει περίπου το 1% των ατόμων άνω των 60 ετών, ενώ στα άτομα άνω των 80 ετών το ποσοστό ανεβαίνει στο 4%. Η νόσος χαρακτηρίζεται από τον θάνατο ντοπαμινεργικών νευρώνων, τη συσσώρευση α-συνουκλεΐνης και τον σχηματισμό σωματίων Lewy σε συγκεκριμένες περιοχές του εγκεφάλου. Η αιτιοπαθογένεια της νόσου δεν είναι πλήρως αποσαφηνισμένη, με την εξαίρεση κάποιων γονιδίων τα οποία έχει αποδειχθεί πως προκαλούν ένα μικρό ποσοστό των συνολικών περιπτώσεων νόσησης. Εκτός αυτών, οι παράγοντες κινδύνου που εξετάζονται είναι γενετικοί, περιβαλλοντικοί, φαρμακολογικοί, καθώς και γενικότερα ο τρόπος ζωής – οι συνήθειες. Τα συμπτώματα της νόσου εμφανίζονται αφού έχει ήδη εκφυλιστεί μεγάλος αριθμός ντοπαμινεργικών νευρώνων, γεγονός που εισάγει ένα επιπλέον εμπόδιο στις θεραπευτικές προσεγγίσεις. Η ποιότητα ζωής των πασχόντων επιδεινώνεται αρκετά, καθώς επηρεάζεται η βάδιση, η κίνηση, ο ύπνος, η ομιλία, αλλά και οι νοητικές ικανότητες. Η παρούσα εργασία εισάγει δύο νέες προσεγγίσεις μηχανικής μάθησης ως προς την ανάλυση δεδομένων Πάρκινσον. Η πρώτη προσέγγιση εστιάζει στην βελτίωση της πρόγνωσης της νόσου, μέσω του εντοπισμού παραγόντων κινδύνου, ενώ η δεύτερη στη βελτίωση της θεραπευτικής προσέγγισης, προτείνοντας την κατάλληλη δόση φαρμάκου. Χρησιμοποιήθηκαν 1671 δεδομένα ερωτηματολογίων από ασθενείς Πάρκινσον και υγιείς εξεταζομένους, τα οποία βρίσκονται αποθηκευμένα στην Ελληνική Βιοτράπεζα για τη Νόσο Πάρκινσον. Τα χαρακτηριστικά που εξετάστηκαν είναι δημογραφικά, γενετικά, τρόπου ζωής, φαρμακολογικά, κλινικά και ιατρικό ιστορικό. Για την επεξεργασία των δεδομένων με αλγορίθμους μηχανικής μάθησης χρησιμοποιήθηκε η γλώσσα προγραμματισμού Python. Και στις δύο προσεγγίσεις πραγματοποιήθηκε σύγκριση μεταξύ διαφόρων αλγορίθμων προεπεξεργασίας και μετασχηματισμού των δεδομένων, καθώς και μεταξύ αλγορίθμων-ταξινομητών (classifiers) ή παλινδρομητών (regressors). Στη συνέχεια πραγματοποιήθηκε μεταβολή των σημαντικότερων υπερπαραμέτρων των αλγορίθμων ώστε να προσδιοριστούν οι καλύτεροι συνδυασμοί τιμών (gridsearch). Τέλος εφαρμόστηκαν συγκεντρωτικοί αλγόριθμοι (ensemble), με στόχο την περαιτέρω βελτιστοποίηση των καλύτερων μοντέλων που προέκυψαν. Ως επιπλέον διαδικασία, πραγματοποιήθηκε σύγκριση μεταξύ εμπορικών πλατφορμών μηχανικής μάθησης (WEKA, JADBio, RapidMiner) καθώς και σύγκριση αυτών με τα μοντέλα της παρούσας εργασίας.
Author and committee
dc:creator, dc:contributor.*- Authors dc:creator
-
- Εμμανουήλ Χριστίνα
- Emmanouil Christina
Subjects
dc:subject × 2Rights
- Language dc:language
- Ελληνικά, Greek
Identifiers
dc:identifier.*- Identifier
- uoadl:2975279