{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3336696"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3336696","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Comparison of machine learning methods for predicting disease progression in Duchenne Muscular Dystrophy","abstract":"Η Μυϊκή Δυστροφία Duchenne είναι μια σπάνια γενετική νευρομυϊκή διαταραχή, με ποικίλα μοτίβα εξέλιξης της νόσου. Αν και έχουν γίνει αρκετές προσπάθειες για την ανάπτυξη προγνωστικών μοντέλων για την εξέλιξη της νόσου, οι μέθοδοι μηχανικής μάθησης δεν έχουν ακόμη χρησιμοποιηθεί για το σκοπό αυτό. Πρόσφατα, μέθοδοι μηχανικής μάθησης έχουν εφαρμοστεί με επιτυχία σε αναλύσεις επιβίωσης για διάφορες ασθένειες. Η μέθοδος Cox Proportional Hazards (CoxPH) θεωρείται η τυπική τεχνική για μια τέτοια ανάλυση. Σε αυτή την εργασία, χρησιμοποιούμε πραγματικά δεδομένα από ασθενείς με Μυϊκή Δυστροφία Duchenne για να συγκρίνουμε την απόδοση της CoxPH με τεχνικές μηχανικής μάθησης (Random Survival Forests, extra Survival Trees, Gradient Boosting Survival Analysis, Deep Learning for Survival Analysis και Catboost) ως προς την απόδοσή τους στην πρόβλεψη της εμφάνισης και του χρόνου εμφάνισης δύο σημαντικών σημείων στην εξέλιξη της νόσου: την απώλεια κινητικότητας και την ανάπτυξη αναπνευστικής ανεπάρκειας. Δημιουργούμε δύο διαφορετικά σύνολα δεδομένων για τα συμβάντα και αποδεικνύουμε ότι στην περίπτωσή μας, τα μοντέλα που βασίζονται σε μηχανική μάθηση μπορούν να αποδώσουν καλύτερα από τη μέθοδο CoxPH, με τη μέθοδο RSF να υπερέχει όλων και στις δύο περιπτώσεις. Επιπλέον, υπολογίζουμε τις τιμές Shapley Additive Explanation (SHAP) για να εξηγήσουμε τις προβλέψεις των μοντέλων. Συμπεραίνουμε ότι η διαφορά στην απόδοση των μεθόδων μπορεί να αποδοθεί στην ικανότητα των μεθόδων που βασίζονται σε μηχανική μάθηση να χειρίζονται τον μεγάλο αριθμό χαρακτηριστικών και να μοντελοποιούν μη γραμμικές σχέσεις και σύνθετες αλληλεπιδράσεις μεταξύ τους. Τέλος, σχολιάζουμε τις δυνατότητες των μεθόδων εξήγησης μηχανικής μάθησης ως προς τη διαφάνεια της διαδικασίας λήψης των αποφάσεων τους και τον εντοπισμό σχετικών προγνωστικών παραγόντων. Αυτό είναι ιδιαίτερα σημαντικό στο πλαίσιο των σπάνιων ασθενειών και της υγειονομικής περίθαλψης ευρύτερα, καθώς η ανάπτυξη εξηγήσιμων μεθόδων μηχανικής μάθησης μπορεί να ενισχύσει σημαντικά την εμπιστοσύνη και την υιοθέτηση καινοτόμων τεχνικών σε κλινικά περιβάλλοντα.","abstract_html":"Η Μυϊκή Δυστροφία Duchenne είναι μια σπάνια γενετική νευρομυϊκή διαταραχή, με ποικίλα μοτίβα εξέλιξης της νόσου. Αν και έχουν γίνει αρκετές προσπάθειες για την ανάπτυξη προγνωστικών μοντέλων για την εξέλιξη της νόσου, οι μέθοδοι μηχανικής μάθησης δεν έχουν ακόμη χρησιμοποιηθεί για το σκοπό αυτό. Πρόσφατα, μέθοδοι μηχανικής μάθησης έχουν εφαρμοστεί με επιτυχία σε αναλύσεις επιβίωσης για διάφορες ασθένειες. Η μέθοδος Cox Proportional Hazards (CoxPH) θεωρείται η τυπική τεχνική για μια τέτοια ανάλυση. Σε αυτή την εργασία, χρησιμοποιούμε πραγματικά δεδομένα από ασθενείς με Μυϊκή Δυστροφία Duchenne για να συγκρίνουμε την απόδοση της CoxPH με τεχνικές μηχανικής μάθησης (Random Survival Forests, extra Survival Trees, Gradient Boosting Survival Analysis, Deep Learning for Survival Analysis και Catboost) ως προς την απόδοσή τους στην πρόβλεψη της εμφάνισης και του χρόνου εμφάνισης δύο σημαντικών σημείων στην εξέλιξη της νόσου: την απώλεια κινητικότητας και την ανάπτυξη αναπνευστικής ανεπάρκειας. Δημιουργούμε δύο διαφορετικά σύνολα δεδομένων για τα συμβάντα και αποδεικνύουμε ότι στην περίπτωσή μας, τα μοντέλα που βασίζονται σε μηχανική μάθηση μπορούν να αποδώσουν καλύτερα από τη μέθοδο CoxPH, με τη μέθοδο RSF να υπερέχει όλων και στις δύο περιπτώσεις. Επιπλέον, υπολογίζουμε τις τιμές Shapley Additive Explanation (SHAP) για να εξηγήσουμε τις προβλέψεις των μοντέλων. Συμπεραίνουμε ότι η διαφορά στην απόδοση των μεθόδων μπορεί να αποδοθεί στην ικανότητα των μεθόδων που βασίζονται σε μηχανική μάθηση να χειρίζονται τον μεγάλο αριθμό χαρακτηριστικών και να μοντελοποιούν μη γραμμικές σχέσεις και σύνθετες αλληλεπιδράσεις μεταξύ τους. Τέλος, σχολιάζουμε τις δυνατότητες των μεθόδων εξήγησης μηχανικής μάθησης ως προς τη διαφάνεια της διαδικασίας λήψης των αποφάσεων τους και τον εντοπισμό σχετικών προγνωστικών παραγόντων. Αυτό είναι ιδιαίτερα σημαντικό στο πλαίσιο των σπάνιων ασθενειών και της υγειονομικής περίθαλψης ευρύτερα, καθώς η ανάπτυξη εξηγήσιμων μεθόδων μηχανικής μάθησης μπορεί να ενισχύσει σημαντικά την εμπιστοσύνη και την υιοθέτηση καινοτόμων τεχνικών σε κλινικά περιβάλλοντα.","abstract_has_math":false,"creators":["Βόζη Ασπασία","Vozi Aspasia"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2023,"date_issued":"2023","date_published":"2023","updated_at":"2026-11-19T06:22:54Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3336696"],"render_values":[{"text":"uoadl:3336696","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3336696","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3336696","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%3A3336696","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Βόζη Ασπασία","Vozi Aspasia"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2023"]},{"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":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3336696","https://pergamos.lib.uoa.gr/uoa/dl/object/3336696"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η Μυϊκή Δυστροφία Duchenne είναι μια σπάνια γενετική νευρομυϊκή διαταραχή, με ποικίλα μοτίβα εξέλιξης της νόσου. Αν και έχουν γίνει αρκετές προσπάθειες για την ανάπτυξη προγνωστικών μοντέλων για την εξέλιξη της νόσου, οι μέθοδοι μηχανικής μάθησης δεν έχουν ακόμη χρησιμοποιηθεί για το σκοπό αυτό. Πρόσφατα, μέθοδοι μηχανικής μάθησης έχουν εφαρμοστεί με επιτυχία σε αναλύσεις επιβίωσης για διάφορες ασθένειες. Η μέθοδος Cox Proportional Hazards (CoxPH) θεωρείται η τυπική τεχνική για μια τέτοια ανάλυση. Σε αυτή την εργασία, χρησιμοποιούμε πραγματικά δεδομένα από ασθενείς με Μυϊκή Δυστροφία Duchenne για να συγκρίνουμε την απόδοση της CoxPH με τεχνικές μηχανικής μάθησης (Random Survival Forests, extra Survival Trees, Gradient Boosting Survival Analysis, Deep Learning for Survival Analysis και Catboost) ως προς την απόδοσή τους στην πρόβλεψη της εμφάνισης και του χρόνου εμφάνισης δύο σημαντικών σημείων στην εξέλιξη της νόσου: την απώλεια κινητικότητας και την ανάπτυξη αναπνευστικής ανεπάρκειας. Δημιουργούμε δύο διαφορετικά σύνολα δεδομένων για τα συμβάντα και αποδεικνύουμε ότι στην περίπτωσή μας, τα μοντέλα που βασίζονται σε μηχανική μάθηση μπορούν να αποδώσουν καλύτερα από τη μέθοδο CoxPH, με τη μέθοδο RSF να υπερέχει όλων και στις δύο περιπτώσεις. Επιπλέον, υπολογίζουμε τις τιμές Shapley Additive Explanation (SHAP) για να εξηγήσουμε τις προβλέψεις των μοντέλων. Συμπεραίνουμε ότι η διαφορά στην απόδοση των μεθόδων μπορεί να αποδοθεί στην ικανότητα των μεθόδων που βασίζονται σε μηχανική μάθηση να χειρίζονται τον μεγάλο αριθμό χαρακτηριστικών και να μοντελοποιούν μη γραμμικές σχέσεις και σύνθετες αλληλεπιδράσεις μεταξύ τους. Τέλος, σχολιάζουμε τις δυνατότητες των μεθόδων εξήγησης μηχανικής μάθησης ως προς τη διαφάνεια της διαδικασίας λήψης των αποφάσεων τους και τον εντοπισμό σχετικών προγνωστικών παραγόντων. Αυτό είναι ιδιαίτερα σημαντικό στο πλαίσιο των σπάνιων ασθενειών και της υγειονομικής περίθαλψης ευρύτερα, καθώς η ανάπτυξη εξηγήσιμων μεθόδων μηχανικής μάθησης μπορεί να ενισχύσει σημαντικά την εμπιστοσύνη και την υιοθέτηση καινοτόμων τεχνικών σε κλινικά περιβάλλοντα.","Duchenne Muscular Dystrophy (DMD) is a rare genetic neuromuscular disorder, with varying patterns of disease progression. Being able to predict disease progression is of great importance for studying DMD patients, providing them with personalized treatment options as well as developing new treatments. Although there have been several attempts to develop predictive models for DMD progression, machine learning (ML) techniques have not been widely utilized for this purpose. In this thesis, we use real-world DMD patient data to compare the performance of Cox Proportional Hazards (CoxPH), a commonly used statistical method, with ML techniques (Random Survival Forests, extra Survival Trees, Gradient Boosting Survival Analysis, Deep Learning for Survival Analysis and Catboost) in predicting the risk and time of occurrence for two important events in DMD progression: loss of ambulation and respiratory impairment. We generate two different datasets for the target events and demonstrate that in our case, ML-based models can perform better than CoxPH, with RSF outperforming all methods in both cases. Furthermore, we use Shapley Additive Explanation (SHAP) values to explain the models’ predictions. We conclude that the difference in performance of the compared methods can be attributed to ML-based methods’ ability to handle the large number of features and model non-linearities and complex interactions among them. Finally, we explore the potential of explainable ML to generate transparent insights into the decision-making processes of the predictive models, and identify relevant prognostic factors. This is particularly relevant in the context of rare diseases and healthcare more broadly, as the development of explainable ML methods can significantly enhance the trust and adoption of innovative techniques in clinical settings."]},{"key":"dc:title","label":"Title","values":["Comparison of machine learning methods for predicting disease progression in Duchenne Muscular Dystrophy"]}]}],"canonical_facts":{"dc:creator":["Βόζη Ασπασία","Vozi Aspasia"],"dc:date":["2023"],"dc:description":["Η Μυϊκή Δυστροφία Duchenne είναι μια σπάνια γενετική νευρομυϊκή διαταραχή, με ποικίλα μοτίβα εξέλιξης της νόσου. Αν και έχουν γίνει αρκετές προσπάθειες για την ανάπτυξη προγνωστικών μοντέλων για την εξέλιξη της νόσου, οι μέθοδοι μηχανικής μάθησης δεν έχουν ακόμη χρησιμοποιηθεί για το σκοπό αυτό. Πρόσφατα, μέθοδοι μηχανικής μάθησης έχουν εφαρμοστεί με επιτυχία σε αναλύσεις επιβίωσης για διάφορες ασθένειες. Η μέθοδος Cox Proportional Hazards (CoxPH) θεωρείται η τυπική τεχνική για μια τέτοια ανάλυση. Σε αυτή την εργασία, χρησιμοποιούμε πραγματικά δεδομένα από ασθενείς με Μυϊκή Δυστροφία Duchenne για να συγκρίνουμε την απόδοση της CoxPH με τεχνικές μηχανικής μάθησης (Random Survival Forests, extra Survival Trees, Gradient Boosting Survival Analysis, Deep Learning for Survival Analysis και Catboost) ως προς την απόδοσή τους στην πρόβλεψη της εμφάνισης και του χρόνου εμφάνισης δύο σημαντικών σημείων στην εξέλιξη της νόσου: την απώλεια κινητικότητας και την ανάπτυξη αναπνευστικής ανεπάρκειας. Δημιουργούμε δύο διαφορετικά σύνολα δεδομένων για τα συμβάντα και αποδεικνύουμε ότι στην περίπτωσή μας, τα μοντέλα που βασίζονται σε μηχανική μάθηση μπορούν να αποδώσουν καλύτερα από τη μέθοδο CoxPH, με τη μέθοδο RSF να υπερέχει όλων και στις δύο περιπτώσεις. Επιπλέον, υπολογίζουμε τις τιμές Shapley Additive Explanation (SHAP) για να εξηγήσουμε τις προβλέψεις των μοντέλων. Συμπεραίνουμε ότι η διαφορά στην απόδοση των μεθόδων μπορεί να αποδοθεί στην ικανότητα των μεθόδων που βασίζονται σε μηχανική μάθηση να χειρίζονται τον μεγάλο αριθμό χαρακτηριστικών και να μοντελοποιούν μη γραμμικές σχέσεις και σύνθετες αλληλεπιδράσεις μεταξύ τους. Τέλος, σχολιάζουμε τις δυνατότητες των μεθόδων εξήγησης μηχανικής μάθησης ως προς τη διαφάνεια της διαδικασίας λήψης των αποφάσεων τους και τον εντοπισμό σχετικών προγνωστικών παραγόντων. Αυτό είναι ιδιαίτερα σημαντικό στο πλαίσιο των σπάνιων ασθενειών και της υγειονομικής περίθαλψης ευρύτερα, καθώς η ανάπτυξη εξηγήσιμων μεθόδων μηχανικής μάθησης μπορεί να ενισχύσει σημαντικά την εμπιστοσύνη και την υιοθέτηση καινοτόμων τεχνικών σε κλινικά περιβάλλοντα.","Duchenne Muscular Dystrophy (DMD) is a rare genetic neuromuscular disorder, with varying patterns of disease progression. Being able to predict disease progression is of great importance for studying DMD patients, providing them with personalized treatment options as well as developing new treatments. Although there have been several attempts to develop predictive models for DMD progression, machine learning (ML) techniques have not been widely utilized for this purpose. In this thesis, we use real-world DMD patient data to compare the performance of Cox Proportional Hazards (CoxPH), a commonly used statistical method, with ML techniques (Random Survival Forests, extra Survival Trees, Gradient Boosting Survival Analysis, Deep Learning for Survival Analysis and Catboost) in predicting the risk and time of occurrence for two important events in DMD progression: loss of ambulation and respiratory impairment. We generate two different datasets for the target events and demonstrate that in our case, ML-based models can perform better than CoxPH, with RSF outperforming all methods in both cases. Furthermore, we use Shapley Additive Explanation (SHAP) values to explain the models’ predictions. We conclude that the difference in performance of the compared methods can be attributed to ML-based methods’ ability to handle the large number of features and model non-linearities and complex interactions among them. Finally, we explore the potential of explainable ML to generate transparent insights into the decision-making processes of the predictive models, and identify relevant prognostic factors. This is particularly relevant in the context of rare diseases and healthcare more broadly, as the development of explainable ML methods can significantly enhance the trust and adoption of innovative techniques in clinical settings."],"dc:identifier":["uoadl:3336696","https://pergamos.lib.uoa.gr/uoa/dl/object/3336696"],"dc:language":["English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Comparison of machine learning methods for predicting disease progression in Duchenne Muscular Dystrophy"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:22:54Z"}