{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3458168"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3458168","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Ανάπτυξη Αποτελεσματικής και Ολοκληρωμένης Μεθόδου Αναζήτησης Πληροφοριών για την Επίδραση των Βιολογικών Παραγόντων σε Ασθενείς με Φλεγμονώδεις Νόσους του Εντέρου με Τεχνικές Εξόρυξης Δεδομένων","abstract":"Η ανάπτυξη προηγμένων μεθόδων για την επεξεργασία του τεράστιου όγκου βιολογικών δεδομένων στις Φλεγμονώδεις Νόσους του Εντέρου (ΦΝΕ) μπορεί να βοηθήσει σημαντικά στον εκσυγχρονισμό των σχετικών μεθόδων θεραπείας . Καθώς προοδεύουν οι τεχνικές εξόρυξης δεδομένων και τεχνητής νοημοσύνης , θα προκύψει ένας αυξανόμενος αριθμός νέων και πιο εμπεριστατωμένων προσεγγίσεων για τη μελέτη των βιολογικών παραγόντων που εμπλέκονται σημαντικά στις ΦΝΕ. Με την αξιοποίηση αυτών των τεχνολογιών, οι ερευνητές θα είναι σε θέση να εξάγουν πολύτιμες πληροφορίες για την καλύτερη κατανόηση της παθογένειας αυτών των νόσων και να βελτιώσουν την ποιότητα της φροντίδας που παρέχεται στους ασθενείς. Αρχικά, αυτή η διπλωματική εργασία παρουσιάζει τις ΦΝΕ, εξετάζοντας τους τύπους αυτών των νόσων, την παθογένεια τους, την επιδημιολογία τους και τις παρούσες μεθόδους θεραπείας. Ακολουθεί μια εξέταση της βάσης δεδομένων PubMed, ως μια τεράστια πηγή έρευνας που σχετίζεται με τις ΦΝΕ. Στη συνέχεια, η εστίαση μεταφέρεται στα μοντέλα τεχνητής νοημοσύνης (AI) και επεξεργασίας φυσικής γλώσσας (NLP), αναλύοντας τα κύρια χαρακτηριστικά, τις τεχνικές και τη συμβολή τους στην ανάπτυξη της βιοϊατρικής έρευνας. Το επόμενο κομμάτι αναφέρεται στο πεδίο της βιοπληροφορικής, όπου η χρήση του συνόλου δεδομένων \"PubMed 200k RCT\" και η εφαρμογή μοντέλων τεχνητής νοημοσύνης και επεξεργασίας φυσικής γλώσσας χρησιμοποιούνται για την ανάκτηση χρήσιμων πληροφοριών. Η προεπεξεργασία δεδομένων, η υλοποίηση των μοντέλων και η αξιολόγηση συζητούνται διεξοδικά. Τέλος, παρέχεται μία ερμηνεία των αποτελεσμάτων, μία σύνοψη της μελέτης και ορισμένα βασικά συμπεράσματα.","abstract_html":"Η ανάπτυξη προηγμένων μεθόδων για την επεξεργασία του τεράστιου όγκου βιολογικών δεδομένων στις Φλεγμονώδεις Νόσους του Εντέρου (ΦΝΕ) μπορεί να βοηθήσει σημαντικά στον εκσυγχρονισμό των σχετικών μεθόδων θεραπείας . Καθώς προοδεύουν οι τεχνικές εξόρυξης δεδομένων και τεχνητής νοημοσύνης , θα προκύψει ένας αυξανόμενος αριθμός νέων και πιο εμπεριστατωμένων προσεγγίσεων για τη μελέτη των βιολογικών παραγόντων που εμπλέκονται σημαντικά στις ΦΝΕ. Με την αξιοποίηση αυτών των τεχνολογιών, οι ερευνητές θα είναι σε θέση να εξάγουν πολύτιμες πληροφορίες για την καλύτερη κατανόηση της παθογένειας αυτών των νόσων και να βελτιώσουν την ποιότητα της φροντίδας που παρέχεται στους ασθενείς. Αρχικά, αυτή η διπλωματική εργασία παρουσιάζει τις ΦΝΕ, εξετάζοντας τους τύπους αυτών των νόσων, την παθογένεια τους, την επιδημιολογία τους και τις παρούσες μεθόδους θεραπείας. Ακολουθεί μια εξέταση της βάσης δεδομένων PubMed, ως μια τεράστια πηγή έρευνας που σχετίζεται με τις ΦΝΕ. Στη συνέχεια, η εστίαση μεταφέρεται στα μοντέλα τεχνητής νοημοσύνης (AI) και επεξεργασίας φυσικής γλώσσας (NLP), αναλύοντας τα κύρια χαρακτηριστικά, τις τεχνικές και τη συμβολή τους στην ανάπτυξη της βιοϊατρικής έρευνας. Το επόμενο κομμάτι αναφέρεται στο πεδίο της βιοπληροφορικής, όπου η χρήση του συνόλου δεδομένων &quot;PubMed 200k RCT&quot; και η εφαρμογή μοντέλων τεχνητής νοημοσύνης και επεξεργασίας φυσικής γλώσσας χρησιμοποιούνται για την ανάκτηση χρήσιμων πληροφοριών. Η προεπεξεργασία δεδομένων, η υλοποίηση των μοντέλων και η αξιολόγηση συζητούνται διεξοδικά. Τέλος, παρέχεται μία ερμηνεία των αποτελεσμάτων, μία σύνοψη της μελέτης και ορισμένα βασικά συμπεράσματα.","abstract_has_math":false,"creators":["Γεωργακόπουλος Ηλίας","Georgakopoulos Ilias"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2025,"date_issued":"2025","date_published":"2025","updated_at":"2026-11-19T06:31:46Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3458168"],"render_values":[{"text":"uoadl:3458168","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3458168","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3458168","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%3A3458168","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Γεωργακόπουλος Ηλίας","Georgakopoulos Ilias"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2025"]},{"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":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3458168","https://pergamos.lib.uoa.gr/uoa/dl/object/3458168"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η ανάπτυξη προηγμένων μεθόδων για την επεξεργασία του τεράστιου όγκου βιολογικών δεδομένων στις Φλεγμονώδεις Νόσους του Εντέρου (ΦΝΕ) μπορεί να βοηθήσει σημαντικά στον εκσυγχρονισμό των σχετικών μεθόδων θεραπείας . Καθώς προοδεύουν οι τεχνικές εξόρυξης δεδομένων και τεχνητής νοημοσύνης , θα προκύψει ένας αυξανόμενος αριθμός νέων και πιο εμπεριστατωμένων προσεγγίσεων για τη μελέτη των βιολογικών παραγόντων που εμπλέκονται σημαντικά στις ΦΝΕ. Με την αξιοποίηση αυτών των τεχνολογιών, οι ερευνητές θα είναι σε θέση να εξάγουν πολύτιμες πληροφορίες για την καλύτερη κατανόηση της παθογένειας αυτών των νόσων και να βελτιώσουν την ποιότητα της φροντίδας που παρέχεται στους ασθενείς. Αρχικά, αυτή η διπλωματική εργασία παρουσιάζει τις ΦΝΕ, εξετάζοντας τους τύπους αυτών των νόσων, την παθογένεια τους, την επιδημιολογία τους και τις παρούσες μεθόδους θεραπείας. Ακολουθεί μια εξέταση της βάσης δεδομένων PubMed, ως μια τεράστια πηγή έρευνας που σχετίζεται με τις ΦΝΕ. Στη συνέχεια, η εστίαση μεταφέρεται στα μοντέλα τεχνητής νοημοσύνης (AI) και επεξεργασίας φυσικής γλώσσας (NLP), αναλύοντας τα κύρια χαρακτηριστικά, τις τεχνικές και τη συμβολή τους στην ανάπτυξη της βιοϊατρικής έρευνας. Το επόμενο κομμάτι αναφέρεται στο πεδίο της βιοπληροφορικής, όπου η χρήση του συνόλου δεδομένων \"PubMed 200k RCT\" και η εφαρμογή μοντέλων τεχνητής νοημοσύνης και επεξεργασίας φυσικής γλώσσας χρησιμοποιούνται για την ανάκτηση χρήσιμων πληροφοριών. Η προεπεξεργασία δεδομένων, η υλοποίηση των μοντέλων και η αξιολόγηση συζητούνται διεξοδικά. Τέλος, παρέχεται μία ερμηνεία των αποτελεσμάτων, μία σύνοψη της μελέτης και ορισμένα βασικά συμπεράσματα.","The development of novel approaches for processing the enormous volume of biological data in Inflammatory Bowel Diseases (IBDs) can largely assist in the modernization of the relevant therapeutic protocols. As data mining and artificial intelligence techniques advance, there will be an increasing number of novel and more comprehensive approaches for assessing the biological factors that significantly impact IBDs. By utilizing these technologies, researchers would be capable of extracting valuable information to enhance their understanding of the pathogenesis of these diseases and improve the quality of care provided tο patients. First, this thesis provides a presentation of IBDs, exploring the types of these diseases, their pathogenesis, epidemiology, and their current treatment methods. Then follows an examination of the PubMed database as a vast source of research related to IBD. After that, the focus shifts to artificial intelligence and natural language processing (NLP), analyzing their main characteristics, techniques, and contribution to the development of biomedical research. The next section concerns the field of bioinformatics, where the use of the \"PubMed 200k RCT\" dataset and the application of AI and NLP techniques are used to retrieve useful information. Data preprocessing, model implementation, and evaluation are thoroughly discussed. Finally, an interpretation of the results, a summary of the study and some key conclusions are given."]},{"key":"dc:title","label":"Title","values":["Ανάπτυξη Αποτελεσματικής και Ολοκληρωμένης Μεθόδου Αναζήτησης Πληροφοριών για την Επίδραση των Βιολογικών Παραγόντων σε Ασθενείς με Φλεγμονώδεις Νόσους του Εντέρου με Τεχνικές Εξόρυξης Δεδομένων"]}]}],"canonical_facts":{"dc:creator":["Γεωργακόπουλος Ηλίας","Georgakopoulos Ilias"],"dc:date":["2025"],"dc:description":["Η ανάπτυξη προηγμένων μεθόδων για την επεξεργασία του τεράστιου όγκου βιολογικών δεδομένων στις Φλεγμονώδεις Νόσους του Εντέρου (ΦΝΕ) μπορεί να βοηθήσει σημαντικά στον εκσυγχρονισμό των σχετικών μεθόδων θεραπείας . Καθώς προοδεύουν οι τεχνικές εξόρυξης δεδομένων και τεχνητής νοημοσύνης , θα προκύψει ένας αυξανόμενος αριθμός νέων και πιο εμπεριστατωμένων προσεγγίσεων για τη μελέτη των βιολογικών παραγόντων που εμπλέκονται σημαντικά στις ΦΝΕ. Με την αξιοποίηση αυτών των τεχνολογιών, οι ερευνητές θα είναι σε θέση να εξάγουν πολύτιμες πληροφορίες για την καλύτερη κατανόηση της παθογένειας αυτών των νόσων και να βελτιώσουν την ποιότητα της φροντίδας που παρέχεται στους ασθενείς. Αρχικά, αυτή η διπλωματική εργασία παρουσιάζει τις ΦΝΕ, εξετάζοντας τους τύπους αυτών των νόσων, την παθογένεια τους, την επιδημιολογία τους και τις παρούσες μεθόδους θεραπείας. Ακολουθεί μια εξέταση της βάσης δεδομένων PubMed, ως μια τεράστια πηγή έρευνας που σχετίζεται με τις ΦΝΕ. Στη συνέχεια, η εστίαση μεταφέρεται στα μοντέλα τεχνητής νοημοσύνης (AI) και επεξεργασίας φυσικής γλώσσας (NLP), αναλύοντας τα κύρια χαρακτηριστικά, τις τεχνικές και τη συμβολή τους στην ανάπτυξη της βιοϊατρικής έρευνας. Το επόμενο κομμάτι αναφέρεται στο πεδίο της βιοπληροφορικής, όπου η χρήση του συνόλου δεδομένων \"PubMed 200k RCT\" και η εφαρμογή μοντέλων τεχνητής νοημοσύνης και επεξεργασίας φυσικής γλώσσας χρησιμοποιούνται για την ανάκτηση χρήσιμων πληροφοριών. Η προεπεξεργασία δεδομένων, η υλοποίηση των μοντέλων και η αξιολόγηση συζητούνται διεξοδικά. Τέλος, παρέχεται μία ερμηνεία των αποτελεσμάτων, μία σύνοψη της μελέτης και ορισμένα βασικά συμπεράσματα.","The development of novel approaches for processing the enormous volume of biological data in Inflammatory Bowel Diseases (IBDs) can largely assist in the modernization of the relevant therapeutic protocols. As data mining and artificial intelligence techniques advance, there will be an increasing number of novel and more comprehensive approaches for assessing the biological factors that significantly impact IBDs. By utilizing these technologies, researchers would be capable of extracting valuable information to enhance their understanding of the pathogenesis of these diseases and improve the quality of care provided tο patients. First, this thesis provides a presentation of IBDs, exploring the types of these diseases, their pathogenesis, epidemiology, and their current treatment methods. Then follows an examination of the PubMed database as a vast source of research related to IBD. After that, the focus shifts to artificial intelligence and natural language processing (NLP), analyzing their main characteristics, techniques, and contribution to the development of biomedical research. The next section concerns the field of bioinformatics, where the use of the \"PubMed 200k RCT\" dataset and the application of AI and NLP techniques are used to retrieve useful information. Data preprocessing, model implementation, and evaluation are thoroughly discussed. Finally, an interpretation of the results, a summary of the study and some key conclusions are given."],"dc:identifier":["uoadl:3458168","https://pergamos.lib.uoa.gr/uoa/dl/object/3458168"],"dc:language":["English"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Ανάπτυξη Αποτελεσματικής και Ολοκληρωμένης Μεθόδου Αναζήτησης Πληροφοριών για την Επίδραση των Βιολογικών Παραγόντων σε Ασθενείς με Φλεγμονώδεις Νόσους του Εντέρου με Τεχνικές Εξόρυξης Δεδομένων"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:31:46Z"}