Back to search

National and Kapodistrian University of Athens

Πρόβλεψη της σοβαρότητας των παρενεργειών των εμβολίων κατά της CoViD-19 με χρήση αλγορίθμων μηχανικής μάθησης

Abstract

dc:description

Η πανδημία COVID-19 έχει παρουσιάσει μια άνευ προηγουμένου παγκόσμια πρόκληση για την υγεία μέχρι και σήμερα, που οδήγησε στην εξαιρετικά ταχεία ανάπτυξη και έκτακτη χρήση εμβολίων κατά της νόσου. Παρά την αποτελεσματικότητά τους, τα εμβόλια μπορεί να προκαλέσουν ανεπιθύμητες αντιδράσεις, απαιτώντας ισχυρά εργαλεία για την πρόβλεψη και τη διαχείριση της σοβαρότητάς τους. Σε αυτή τη διπλωματική εργασία, αναπτύξαμε έναν αλγόριθμο ταξινόμησης μηχανικής μάθησης που στοχεύει στην πρόβλεψη του επιπέδου σοβαρότητας των παρενεργειών των εμβολίων κατά της COVID-19 χρησιμοποιώντας δεδομένα που ανακτήθηκαν από τη βάση δεδομένων EudraVigilance. Η μεθοδολογία μας περιελάμβανε την εκπαίδευση διαφόρων αλγορίθμων ταξινόμησης σε υποσύνολα δεδομένων με αυξανόμενα μεγέθη για την αξιολόγηση της απόδοσης σε διαφορετικά μεγέθη δειγμάτων. Μεταξύ αυτών των αλγορίθμων, ο Random Forest και ο XGBoost παρουσίασαν την πιο υποσχόμενη απόδοση, με τον XGBoost να επιδεικνύει ένα μικρό πλεονέκτημα στην ακρίβεια πρόβλεψης. Στη συνέχεια, εφαρμόσαμε ανάλυση SHAP (SHapley Additive Explanations) στο εκπαιδευμένο μοντέλο XGBoost για να αποσαφηνίσουμε τη σημασία συγκεκριμένων γνωρισμάτων. Τα ευρήματά μας αποκαλύπτουν την ηλικία ως τον πιο κρίσιμο προγνωστικό παράγοντα, υποδεικνύοντας ότι τα ηλικιωμένα άτομα είναι πιο επιρρεπή στο να εμφανίσουν σοβαρές παρενέργειες μετά τον εμβολιασμό. Επιπλέον, συγκεκριμένα συμπτώματα όπως πόνος στο στήθος, υπερευαισθησία, έμετος, δύσπνοια και επιληπτικές κρίσεις, μαζί με το εμβόλιο Moderna, εμφανίστηκαν ως σημαντικοί παράγοντες που σχετίζονται με την αυξημένη σοβαρότητα των αντιδράσεων. Το συγκεκριμένο μοντέλο δύναται να προσφέρει πληροφορίες για δημογραφικούς και συμπτωματικούς παράγοντες που επηρεάζουν τις παρενέργειες των εμβολίων. Με τον εντοπισμό ομάδων υψηλού κινδύνου και συναφών συμπτωμάτων, οι επαγγελματίες υγείας μπορούν να δώσουν προτεραιότητα στις στρατηγικές παρακολούθησης και παρέμβασης, δυνητικά μετριάζοντας τις δυσμενείς εκβάσεις. Επιπρόσθετα, η ενσωμάτωση τεχνικών μηχανικής μάθησης με βάσεις δεδομένων φαρμακοεπαγρύπνησης, όπως η EudraVigilance, αποτελεί ένα ισχυρό εργαλείο για παρακολούθηση και αξιολόγηση κινδύνου σε πραγματικό χρόνο σε μια προσπάθεια παρακολούθησης της ασφάλειας των εμβολίων. Συμπερασματικά, η μελέτη μας υπογραμμίζει τη σημασία της αξιοποίησης των αλγορίθμων μηχανικής μάθησης για να βελτιώσουμε την κατανόησή μας για τα προφίλ ασφάλειας των εμβολίων εν μέσω της πανδημίας COVID-19, και συμβάλλει στις συνεχείς προσπάθειες για τη βελτιστοποίηση των στρατηγικών εμβολιασμού και τη διασφάλιση της ευημερίας των πληθυσμών παγκοσμίως.

Author and committee

dc:creator, dc:contributor.*
Authors dc:creator
  • Ραμμένου Έλλη
  • Rammenou Elli

Subjects

dc:subject × 2

Rights

Language dc:language
Ελληνικά, Greek

Identifiers

dc:identifier.*
Identifier
uoadl:3396535

Chain of custody

source
Harvested from
National and Kapodistrian University of Athens
Base URL
pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh
Last updated
2026-11-19
Source record
OAI-PMH GetRecord
citation

Ραμμένου Έλλη; Rammenou Elli. Πρόβλεψη της σοβαρότητας των παρενεργειών των εμβολίων κατά της CoViD-19 με χρήση αλγορίθμων μηχανικής μάθησης. 2024. https://pergamos.lib.uoa.gr/uoa/dl/object/3396535