{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2975279"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2975279","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Μελέτη της επίπτωσης διαφόρων παραγόντων στην εμφάνιση και την εξέλιξη της νόσου του Parkinson χρησιμοποιώντας Μηχανική Μάθηση","abstract":"Η 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.","abstract_html":"Η 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.","abstract_has_math":false,"creators":["Εμμανουήλ Χριστίνα","Emmanouil Christina"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2022,"date_issued":"2022","date_published":"2022","updated_at":"2026-11-19T05:45:13Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2975279"],"render_values":[{"text":"uoadl:2975279","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2975279","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2975279","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%3A2975279","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Εμμανουήλ Χριστίνα","Emmanouil Christina"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2022"]},{"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:2975279","https://pergamos.lib.uoa.gr/uoa/dl/object/2975279"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η 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.","Parkinson’s disease is a progressive, neurodegenerative disorder. It affects about 1% of people over 60 years old, and for people over 80 years old the percentage rises to 4%. The disease is characterized by the loss of dopaminergic neurons, α-synuclein accumulation and the formation of Lewy bodies in certain areas of the brain. The causes behind these findings have not been clarified, with the exception of a few genes which are known to cause a small percentage of the total cases. Apart from these, the risk factors that are being examined are genetic, environmental, pharmacological, and lifestyle. The symptoms of the disease appear after a great number of dopaminergic neurons has died, which constitutes an extra difficulty in the treatment of the disease. The patients’ daily life deteriorates, as walking, moving, sleeping, speech and mental state are affected. This dissertation introduces two machine learning approaches for analyzing Parkinson’s disease data. The first approach focuses on the improvement of the prognosis, through the detection of risk factors, whereas the second one focuses on the improvement of the pharmacological treatment, by suggesting the appropriate drug dosage. The data that was used derives from 1671 questionnaires, from patients and healthy controls, which are stored in the Greek Biobank for Parkinson’s Disease. The features that are being examined are demographic, genetic, lifestyle, pharmacological, clinical, and medical history. The data was processed using Python programming language, and a machine learning pipeline was implemented. For both approaches, a comparison between different preprocessing-transforming algorithms and prediction algorithms (classifiers/regressors) was performed. Later, tuning of the most important hyperparameters of the algorithms was executed (gridsearch), in order to identify the best hyperparameter combinations. Finally, ensemble algorithms were applied, in order to further optimize the best models. As an extra step, a comparison between commercial machine learning platforms (WEKA, JADBio, RapidMiner) was made, as well as between them and our own approaches."]},{"key":"dc:title","label":"Title","values":["Μελέτη της επίπτωσης διαφόρων παραγόντων στην εμφάνιση και την εξέλιξη της νόσου του Parkinson χρησιμοποιώντας Μηχανική Μάθηση"]}]}],"canonical_facts":{"dc:creator":["Εμμανουήλ Χριστίνα","Emmanouil Christina"],"dc:date":["2022"],"dc:description":["Η 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.","Parkinson’s disease is a progressive, neurodegenerative disorder. It affects about 1% of people over 60 years old, and for people over 80 years old the percentage rises to 4%. The disease is characterized by the loss of dopaminergic neurons, α-synuclein accumulation and the formation of Lewy bodies in certain areas of the brain. The causes behind these findings have not been clarified, with the exception of a few genes which are known to cause a small percentage of the total cases. Apart from these, the risk factors that are being examined are genetic, environmental, pharmacological, and lifestyle. The symptoms of the disease appear after a great number of dopaminergic neurons has died, which constitutes an extra difficulty in the treatment of the disease. The patients’ daily life deteriorates, as walking, moving, sleeping, speech and mental state are affected. This dissertation introduces two machine learning approaches for analyzing Parkinson’s disease data. The first approach focuses on the improvement of the prognosis, through the detection of risk factors, whereas the second one focuses on the improvement of the pharmacological treatment, by suggesting the appropriate drug dosage. The data that was used derives from 1671 questionnaires, from patients and healthy controls, which are stored in the Greek Biobank for Parkinson’s Disease. The features that are being examined are demographic, genetic, lifestyle, pharmacological, clinical, and medical history. The data was processed using Python programming language, and a machine learning pipeline was implemented. For both approaches, a comparison between different preprocessing-transforming algorithms and prediction algorithms (classifiers/regressors) was performed. Later, tuning of the most important hyperparameters of the algorithms was executed (gridsearch), in order to identify the best hyperparameter combinations. Finally, ensemble algorithms were applied, in order to further optimize the best models. As an extra step, a comparison between commercial machine learning platforms (WEKA, JADBio, RapidMiner) was made, as well as between them and our own approaches."],"dc:identifier":["uoadl:2975279","https://pergamos.lib.uoa.gr/uoa/dl/object/2975279"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Μελέτη της επίπτωσης διαφόρων παραγόντων στην εμφάνιση και την εξέλιξη της νόσου του Parkinson χρησιμοποιώντας Μηχανική Μάθηση"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:45:13Z"}