National and Kapodistrian University of Athens
Εξόρυξη δεδομένων για την πρόβλεψη εμφάνισης σακγχαρώδη διαβήτη
Abstract
dc:descriptionΟ σακχαρώδης διαβήτης είναι μια χρόνια πάθηση η οποία είναι εξαιρετικά διαδεδομένη και επηρεάζει ανθρώπους από όλες τις ηπείρους του πλανήτη. Ειδικότερα τα τελευταία έτη έχουν πραγματοποιηθεί σημαντικά βήματα εξέλιξης ως προς την πρόληψη και την διάγνωση της νόσου. Παρόλα αυτά τα περιστατικά αυξάνονται ραγδαία κάθε χρόνο και ειδικότερα σε χώρες όπου οι άνθρωποι ζουν με χαμηλά ή μεσαία εισοδήματα. Οι πρόσφατες εξελίξεις στην τεχνολογία της τεχνητής νοημοσύνης και της μηχανικής μάθησης έχουν επιφέρει σημαντικές εξελίξεις στην έγκαιρη πρόβλεψη και τον εντοπισμό σοβαρών θεμάτων υγείας. Αν και διατυπώνονται προβληματισμοί, σχετικά με την κλινική εφαρμογή και ερμηνεία των μεθόδων βασισμένων στη μηχανική μάθηση, η ενσωμάτωση εργαλείων μηχανικής μάθησης αυξάνεται με ταχείς ρυθμούς. Η παρούσα εργασία έχει δυο βασικούς στόχους. Ο πρώτος είναι η δημιουργία ενός μοντέλου μάθησης το οποίο θα μπορεί να προβλέψει ικανοποιητικά εάν ο ασθενής θα εμφανίσει ή όχι τόσο διαβήτη όσο και προδιαβήτη. Το μοντέλο αυτό, θα μπορούσε να χρησιμοποιηθεί επικουρικά για την καλύτερη πρόβλεψη εμφάνισης της νόσου και τον περιορισμό θνησιμότητας και εμφάνισης επιπλοκών της ασθένειας, ενώ θα μπορούσε να προσφέρει εξατομικευμένες θεραπευτικές προσεγγίσεις και μείωση στην υπερκατανάλωση των διαθέσιμων πόρων υγείας αφού θα υπήρχε έγκαιρη διάγνωση και επομένως πρόληψη εμφάνισης πιθανών επιπλοκών. Ο δεύτερος στόχος είναι η ομαδοποίηση των περιστατικών διαβήτη βάση των κλινικών δεδομένων χωρίς προ υπάρχοντα αποτελέσματα για την εμφάνιση ή μη της νόσου. Για τους σκοπούς αυτούς αξιοποιήθηκαν αλγόριθμοι και τεχνικές όπως ο αλγόριθμος κατηγοριοποίησης Decision Tree-(DT)(Δένδρο Απόφασης) και Νaïve Βayes-(NB)(Νευρωνικό Δίκτυο) καθώς και ο αλγόριθμος Clustering(Συσταδοποίησης) Κ-means. Επίσης χρησιμοποιήθηκαν οι τεχνικές synthetic minority over Sampling(smote) και υποδειγματοληψίας για την εξισορρόπηση των δεδομένων προκειμένου να επιτευχθούν τα βέλτιστα αποτελέσματα. Επιπλέον χρησιμοποιήθηκε ο Silhouette Coefficient(Συντελεστής Σιλουέτας) για τον αλγόριθμο k-means με σκοπό την εύρεση των κατάλληλων συστάδων. Τα δεδομένα που χρησιμοποιήθηκαν αντλήθηκαν από ένα μεγάλο σύνολο ανοικτών δεδομένων από τον ιστότοπο Kaggle και προέρχονται από το U.S Center Disease and Control Prevention- (CDC) (Αμερικάνικο κέντρο ελέγχου και πρόληψης) από τηλεφωνική έρευνα η οποία διεξήχθη το έτος 2015. Το πιο αποδοτικό μοντέλο κατηγοριοποίησης εμφανίζεται το Decision Tree με τον συνδυασμό τεχνικών smote και υποδειγματοληψίας. Το μοντέλο ταξινόμησε σωστά το 79,68%. Για την κλάση των διαβητικών στην οποία επικεντρώνεται η μελέτη το μοντέλο εμφάνισε recall (ανάκληση) 0,727,precision (ακρίβεια) 0,645 και f-measure (μέτρο F) 0,683. Αντίστοιχα για την κλάση των μη διαβητικών το μοντέλο σημείωσε recall 0,839,precision 0,942 και f-measure 0,888. Τέλος στη κλάση των προδιαβητικών εμφάνισε recall 0,661, precision 0,42 και f-measure 0,513. Αντίστοιχα όσον αφορά την απόδοση του μοντέλου clustering των δεδομένων εκείνο εμφάνισε ένα overall silhouette coefficient(συνολικό συντελεστή σιλουέτας) 0,574. Συμπερασματικά, το μοντέλο του Decision Tree παρουσιάζει καλή απόδοση για την κλάση των μη διαβητικών με υψηλά ποσοστά recall και precision ενώ εμφανίζει ικανοποιητική απόδοση για την κλάση των διαβητικών σε αντίθεση με την μέτρια απόδοση του μοντέλου για τους προδιαβητικούς ασθενείς. Αντίστοιχα παρατηρείται ότι η ποιότητα του clustering είναι καλή. Επομένως τα μοντέλα αυτά είτε συνδυαστικά είτε μεμονωμένα θα μπορούσαν να χρησιμοποιηθούν βοηθητικά στην κλινική πράξη.
Author and committee
dc:creator, dc:contributor.*- Authors dc:creator
-
- Χριστοδούλου Παναγιώτα
- Christodoulou Panagiota
Subjects
dc:subject × 2Rights
- Language dc:language
- Ελληνικά, Greek
Identifiers
dc:identifier.*- Identifier
- uoadl:3422229