{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5324789"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5324789","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 κλινικής έκβασης χειρουργημένων ασθενών με εφαρμογή αλγορίθμων Μηχανικής Μάθησης","abstract":"Ο υποσιτισμός αποτελεί ένα συχνό και κλινικά σημαντικό φαινόμενο σε χειρουργημένους ασθενείς, επηρεάζοντας αρνητικά την μετεγχειρητική πορεία, την εμφάνιση επιπλοκών και τη συνολική έκβαση της νοσηλείας. Η έγκαιρη αναγνώριση ασθενών υψηλού κινδύνου και η πρόβλεψη της κλινικής τους έκβασης αποτελούν κρίσιμα ζητήματα για τη βελτίωση της ποιότητας της παρεχόμενης φροντίδας. Στο πλαίσιο αυτό, η εφαρμογή αλγορίθμων Μηχανικής Μάθησης, μέσω της ανάλυσης πολύπλοκων κλινικών δεδομένων, προσφέρει χρήσιμες πληροφορίες για την λήψη των κατάλληλων κλινικών αποφάσεων που μπορούν να προάγουν την ομαλή μετεγχειρητική πορεία χειρουργημένων ασθενών. Σκοπός της παρούσας διπλωματικής εργασίας είναι η εφαρμογή και η αξιολόγηση αλγορίθμων Επιβλεπόμενης Μηχανικής Μάθησης για την πρόβλεψη της κλινικής έκβασης χειρουργημένων ασθενών, με βάση κλινικά και διατροφικά χαρακτηριστικά. Για τον σκοπό αυτό χρησιμοποιήθηκαν δομημένα κλινικά δεδομένα ασθενών από το νοσοκομείο «Γ.Ν.Α. Ο ΕΥΑΓΓΕΛΙΣΜΟΣ-ΠΟΛΥΚΛΙΝΙΚΗ», τα οποία υποβλήθηκαν σε κατάλληλη προεπεξεργασία, συμπεριλαμβανομένης της διαχείρισης ελλειπουσών τιμών και της κανονικοποίησης των μεταβλητών. Εφαρμόστηκαν αλγόριθμοι κατηγοριοποίησης βασισμένοι σε δέντρα αποφάσεων, όπως ο Decision Tree, καθώς και o Random Forest και ο XGBoost, που αποτελούν εξέλιξη του Decision Tree. Η αξιολόγηση των μοντέλων πραγματοποιήθηκε με τη χρήση κατάλληλων μετρικών απόδοσης, όπως η Σταθμισμένη Ισορροπημένη Ακρίβεια (Balanced Accuracy Weighted), η ευαισθησία (recall), η ακρίβεια (precision), το F1-score και ο συντελεστής Cohen’s kappa, λαμβάνοντας υπόψιν το πρόβλημα της ανισορροπίας κλάσεων που χαρακτήριζε τα κλινικά δεδομένα. Επιπλέον, διερευνήθηκε η επίδραση τεχνικών υπερδειγματοληψίας, όπως η μέθοδος SMOTE, καθώς και διαφορετικών στρατηγικών επικύρωσης, όπως η k-fold διασταυρούμενη επικύρωση. Υψηλότερο ποσοστό ορθής πρόβλεψης μεταξύ των τριών μοντέλων εμφανίζει εκείνο του Random Forest, όπου η διαδικασία διαχωρισμού και επικύρωσης των δεδομένων για την εκπαίδευση του αλγορίθμου έγινε με τη στρωματοποιημένη δειγματοληψία του κόμβου Table Partitioner με μονομερή διαχωρισμό 80/20, με τιμές για τις μετρικές Balanced Accuracy Weighted, Cohen’s kappa και Macro F1-score, τις 0.84, 0.54 και 0.79 αντίστοιχα. Δεύτερο στην κατάταξη μοντέλο ήταν του αλγορίθμου XGBoost με την ίδια μέθοδο διαχωρισμού και επικύρωσης των δεδομένων με το προηγούμενο μοντέλο, με τιμές για τις μετρικές Balanced Accuracy Weighted, Cohen’s kappa και Macro F1-score, τις 0.79, 0.47 και 0.78 αντίστοιχα. Τρίτο στην κατάταξη μοντέλο ήταν του αλγορίθμου Random Forest, με μέθοδο διαχωρισμού και επικύρωσης των δεδομένων για την εκπαίδευση του αλγορίθμου την k-fold διασταυρούμενη επικύρωση του κόμβου X-Partitioner σε συνδυασμό με την τεχνική υπερδειγματοληψίας SMOTE, με τιμές για τις μετρικές μετρικές Balanced Accuracy Weighted, Cohen’s kappa και Macro F1-score, τις 0.79, 0.49 και 0.72 αντίστοιχα. Και τα τρία αυτά μοντέλα Επιβλεπόμενης Μηχανικής Μάθησης κατάφεραν να κατηγοριοποιήσουν ικανοποιητικά τρεις από τις πέντε κλάσεις της κατηγορίας-στόχου, οι οποίες υπερτερούσαν σε αριθμό δεδομένων. Οι αλγόριθμοι βασισμένοι σε ensemble μεθόδους (μεθόδους συνόλου), Random Forest και XGBoost, παρουσιάζουν ικανοποιητική απόδοση στην πρόβλεψη της κλινικής έκβασης, αναδεικνύοντας τη δυναμική της Μηχανικής Μάθησης ως εργαλείου υποστήριξης της κλινικής απόφασης.","abstract_html":"Ο υποσιτισμός αποτελεί ένα συχνό και κλινικά σημαντικό φαινόμενο σε χειρουργημένους ασθενείς, επηρεάζοντας αρνητικά την μετεγχειρητική πορεία, την εμφάνιση επιπλοκών και τη συνολική έκβαση της νοσηλείας. Η έγκαιρη αναγνώριση ασθενών υψηλού κινδύνου και η πρόβλεψη της κλινικής τους έκβασης αποτελούν κρίσιμα ζητήματα για τη βελτίωση της ποιότητας της παρεχόμενης φροντίδας. Στο πλαίσιο αυτό, η εφαρμογή αλγορίθμων Μηχανικής Μάθησης, μέσω της ανάλυσης πολύπλοκων κλινικών δεδομένων, προσφέρει χρήσιμες πληροφορίες για την λήψη των κατάλληλων κλινικών αποφάσεων που μπορούν να προάγουν την ομαλή μετεγχειρητική πορεία χειρουργημένων ασθενών. Σκοπός της παρούσας διπλωματικής εργασίας είναι η εφαρμογή και η αξιολόγηση αλγορίθμων Επιβλεπόμενης Μηχανικής Μάθησης για την πρόβλεψη της κλινικής έκβασης χειρουργημένων ασθενών, με βάση κλινικά και διατροφικά χαρακτηριστικά. Για τον σκοπό αυτό χρησιμοποιήθηκαν δομημένα κλινικά δεδομένα ασθενών από το νοσοκομείο «Γ.Ν.Α. Ο ΕΥΑΓΓΕΛΙΣΜΟΣ-ΠΟΛΥΚΛΙΝΙΚΗ», τα οποία υποβλήθηκαν σε κατάλληλη προεπεξεργασία, συμπεριλαμβανομένης της διαχείρισης ελλειπουσών τιμών και της κανονικοποίησης των μεταβλητών. Εφαρμόστηκαν αλγόριθμοι κατηγοριοποίησης βασισμένοι σε δέντρα αποφάσεων, όπως ο Decision Tree, καθώς και o Random Forest και ο XGBoost, που αποτελούν εξέλιξη του Decision Tree. Η αξιολόγηση των μοντέλων πραγματοποιήθηκε με τη χρήση κατάλληλων μετρικών απόδοσης, όπως η Σταθμισμένη Ισορροπημένη Ακρίβεια (Balanced Accuracy Weighted), η ευαισθησία (recall), η ακρίβεια (precision), το F1-score και ο συντελεστής Cohen’s kappa, λαμβάνοντας υπόψιν το πρόβλημα της ανισορροπίας κλάσεων που χαρακτήριζε τα κλινικά δεδομένα. Επιπλέον, διερευνήθηκε η επίδραση τεχνικών υπερδειγματοληψίας, όπως η μέθοδος SMOTE, καθώς και διαφορετικών στρατηγικών επικύρωσης, όπως η k-fold διασταυρούμενη επικύρωση. Υψηλότερο ποσοστό ορθής πρόβλεψης μεταξύ των τριών μοντέλων εμφανίζει εκείνο του Random Forest, όπου η διαδικασία διαχωρισμού και επικύρωσης των δεδομένων για την εκπαίδευση του αλγορίθμου έγινε με τη στρωματοποιημένη δειγματοληψία του κόμβου Table Partitioner με μονομερή διαχωρισμό 80/20, με τιμές για τις μετρικές Balanced Accuracy Weighted, Cohen’s kappa και Macro F1-score, τις 0.84, 0.54 και 0.79 αντίστοιχα. Δεύτερο στην κατάταξη μοντέλο ήταν του αλγορίθμου XGBoost με την ίδια μέθοδο διαχωρισμού και επικύρωσης των δεδομένων με το προηγούμενο μοντέλο, με τιμές για τις μετρικές Balanced Accuracy Weighted, Cohen’s kappa και Macro F1-score, τις 0.79, 0.47 και 0.78 αντίστοιχα. Τρίτο στην κατάταξη μοντέλο ήταν του αλγορίθμου Random Forest, με μέθοδο διαχωρισμού και επικύρωσης των δεδομένων για την εκπαίδευση του αλγορίθμου την k-fold διασταυρούμενη επικύρωση του κόμβου X-Partitioner σε συνδυασμό με την τεχνική υπερδειγματοληψίας SMOTE, με τιμές για τις μετρικές μετρικές Balanced Accuracy Weighted, Cohen’s kappa και Macro F1-score, τις 0.79, 0.49 και 0.72 αντίστοιχα. Και τα τρία αυτά μοντέλα Επιβλεπόμενης Μηχανικής Μάθησης κατάφεραν να κατηγοριοποιήσουν ικανοποιητικά τρεις από τις πέντε κλάσεις της κατηγορίας-στόχου, οι οποίες υπερτερούσαν σε αριθμό δεδομένων. Οι αλγόριθμοι βασισμένοι σε ensemble μεθόδους (μεθόδους συνόλου), Random Forest και XGBoost, παρουσιάζουν ικανοποιητική απόδοση στην πρόβλεψη της κλινικής έκβασης, αναδεικνύοντας τη δυναμική της Μηχανικής Μάθησης ως εργαλείου υποστήριξης της κλινικής απόφασης.","abstract_has_math":false,"creators":["Πάσιος Γεώργιος","Pasios Georgios"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2026,"date_issued":"2026","date_published":"2026","updated_at":"2026-11-19T05:17:43Z","subjects":["Επιστήμες Υγείας","Health Sciences"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5324789"],"render_values":[{"text":"uoadl:5324789","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5324789","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5324789","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%3A5324789","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Πάσιος Γεώργιος","Pasios Georgios"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2026"]},{"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":["Επιστήμες Υγείας","Health Sciences"]}]},{"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:5324789","https://pergamos.lib.uoa.gr/uoa/dl/object/5324789"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Ο υποσιτισμός αποτελεί ένα συχνό και κλινικά σημαντικό φαινόμενο σε χειρουργημένους ασθενείς, επηρεάζοντας αρνητικά την μετεγχειρητική πορεία, την εμφάνιση επιπλοκών και τη συνολική έκβαση της νοσηλείας. Η έγκαιρη αναγνώριση ασθενών υψηλού κινδύνου και η πρόβλεψη της κλινικής τους έκβασης αποτελούν κρίσιμα ζητήματα για τη βελτίωση της ποιότητας της παρεχόμενης φροντίδας. Στο πλαίσιο αυτό, η εφαρμογή αλγορίθμων Μηχανικής Μάθησης, μέσω της ανάλυσης πολύπλοκων κλινικών δεδομένων, προσφέρει χρήσιμες πληροφορίες για την λήψη των κατάλληλων κλινικών αποφάσεων που μπορούν να προάγουν την ομαλή μετεγχειρητική πορεία χειρουργημένων ασθενών. Σκοπός της παρούσας διπλωματικής εργασίας είναι η εφαρμογή και η αξιολόγηση αλγορίθμων Επιβλεπόμενης Μηχανικής Μάθησης για την πρόβλεψη της κλινικής έκβασης χειρουργημένων ασθενών, με βάση κλινικά και διατροφικά χαρακτηριστικά. Για τον σκοπό αυτό χρησιμοποιήθηκαν δομημένα κλινικά δεδομένα ασθενών από το νοσοκομείο «Γ.Ν.Α. Ο ΕΥΑΓΓΕΛΙΣΜΟΣ-ΠΟΛΥΚΛΙΝΙΚΗ», τα οποία υποβλήθηκαν σε κατάλληλη προεπεξεργασία, συμπεριλαμβανομένης της διαχείρισης ελλειπουσών τιμών και της κανονικοποίησης των μεταβλητών. Εφαρμόστηκαν αλγόριθμοι κατηγοριοποίησης βασισμένοι σε δέντρα αποφάσεων, όπως ο Decision Tree, καθώς και o Random Forest και ο XGBoost, που αποτελούν εξέλιξη του Decision Tree. Η αξιολόγηση των μοντέλων πραγματοποιήθηκε με τη χρήση κατάλληλων μετρικών απόδοσης, όπως η Σταθμισμένη Ισορροπημένη Ακρίβεια (Balanced Accuracy Weighted), η ευαισθησία (recall), η ακρίβεια (precision), το F1-score και ο συντελεστής Cohen’s kappa, λαμβάνοντας υπόψιν το πρόβλημα της ανισορροπίας κλάσεων που χαρακτήριζε τα κλινικά δεδομένα. Επιπλέον, διερευνήθηκε η επίδραση τεχνικών υπερδειγματοληψίας, όπως η μέθοδος SMOTE, καθώς και διαφορετικών στρατηγικών επικύρωσης, όπως η k-fold διασταυρούμενη επικύρωση. Υψηλότερο ποσοστό ορθής πρόβλεψης μεταξύ των τριών μοντέλων εμφανίζει εκείνο του Random Forest, όπου η διαδικασία διαχωρισμού και επικύρωσης των δεδομένων για την εκπαίδευση του αλγορίθμου έγινε με τη στρωματοποιημένη δειγματοληψία του κόμβου Table Partitioner με μονομερή διαχωρισμό 80/20, με τιμές για τις μετρικές Balanced Accuracy Weighted, Cohen’s kappa και Macro F1-score, τις 0.84, 0.54 και 0.79 αντίστοιχα. Δεύτερο στην κατάταξη μοντέλο ήταν του αλγορίθμου XGBoost με την ίδια μέθοδο διαχωρισμού και επικύρωσης των δεδομένων με το προηγούμενο μοντέλο, με τιμές για τις μετρικές Balanced Accuracy Weighted, Cohen’s kappa και Macro F1-score, τις 0.79, 0.47 και 0.78 αντίστοιχα. Τρίτο στην κατάταξη μοντέλο ήταν του αλγορίθμου Random Forest, με μέθοδο διαχωρισμού και επικύρωσης των δεδομένων για την εκπαίδευση του αλγορίθμου την k-fold διασταυρούμενη επικύρωση του κόμβου X-Partitioner σε συνδυασμό με την τεχνική υπερδειγματοληψίας SMOTE, με τιμές για τις μετρικές μετρικές Balanced Accuracy Weighted, Cohen’s kappa και Macro F1-score, τις 0.79, 0.49 και 0.72 αντίστοιχα. Και τα τρία αυτά μοντέλα Επιβλεπόμενης Μηχανικής Μάθησης κατάφεραν να κατηγοριοποιήσουν ικανοποιητικά τρεις από τις πέντε κλάσεις της κατηγορίας-στόχου, οι οποίες υπερτερούσαν σε αριθμό δεδομένων. Οι αλγόριθμοι βασισμένοι σε ensemble μεθόδους (μεθόδους συνόλου), Random Forest και XGBoost, παρουσιάζουν ικανοποιητική απόδοση στην πρόβλεψη της κλινικής έκβασης, αναδεικνύοντας τη δυναμική της Μηχανικής Μάθησης ως εργαλείου υποστήριξης της κλινικής απόφασης.","Malnutrition is a common and clinically significant condition among surgically treated patients, negatively affecting postoperative recovery, the development of complications, and the overall outcome of hospitalisation. Early identification of high-risk patients and prediction of their clinical outcomes are critical issues for improving the quality of healthcare delivery. In this context, Machine Learning, by analysing complex clinical data, provides valuable insights to support appropriate clinical decision-making and promote a smooth postoperative course in surgical patients.. This master’s thesis aims to evaluate supervised Machine Learning algorithms for predicting the clinical outcome of surgically treated patients based on clinical and nutritional characteristics. For this purpose, structured clinical data from patients of the hospital “G.N.A. Evangelismos–Polyclinic” were used. The data underwent appropriate preprocessing, including handling of missing values and normalisation of variables. Classification algorithms based on decision trees were applied, including the Decision Tree, as well as Random Forest and XGBoost, which are extensions of the Decision Tree algorithm. Model evaluation was performed using appropriate performance metrics, including Weighted Balanced Accuracy, sensitivity (recall), precision, F1-score, and Cohen’s kappa coefficient, taking into account the issue of class imbalance that characterised the clinical data. In addition, the impact of oversampling techniques, such as SMOTE, and of different validation strategies, including k-fold cross-validation, was investigated. The top-ranked model among the three best-performing models was the Random Forest model, in which data splitting and validation for algorithm training were conducted using stratified sampling through the Table Partitioner node with a one-way 80/20 split, achieving values of 0.84, 0.54, and 0.79 for the Weighted Balanced Accuracy, Cohen’s kappa, and Macro F1-score, respectively. The second-ranked model was the XGBoost algorithm, using the same data splitting and validation method as the previous model, with corresponding values of 0.79, 0.47, and 0.78 for the Weighted Balanced Accuracy, Cohen’s kappa, and Macro F1-score, respectively. The third-ranked model was a Random Forest algorithm trained via k-fold cross-validation using the X-Partitioner node and the SMOTE oversampling technique, achieving values of 0.79, 0.49, and 0.72 for Weighted Balanced Accuracy, Cohen’s kappa, and Macro F1-score, respectively. All three supervised Machine Learning models successfully classified three out of the five target classes, which were the most represented in terms of data volume. Ensemble-based algorithms, namely Random Forest and XGBoost, demonstrated satisfactory performance in predicting clinical outcomes, highlighting the potential of Machine Learning as a clinical decision-support tool."]},{"key":"dc:title","label":"Title","values":["Μελέτη της κλινικής έκβασης χειρουργημένων ασθενών με εφαρμογή αλγορίθμων Μηχανικής Μάθησης"]}]}],"canonical_facts":{"dc:creator":["Πάσιος Γεώργιος","Pasios Georgios"],"dc:date":["2026"],"dc:description":["Ο υποσιτισμός αποτελεί ένα συχνό και κλινικά σημαντικό φαινόμενο σε χειρουργημένους ασθενείς, επηρεάζοντας αρνητικά την μετεγχειρητική πορεία, την εμφάνιση επιπλοκών και τη συνολική έκβαση της νοσηλείας. Η έγκαιρη αναγνώριση ασθενών υψηλού κινδύνου και η πρόβλεψη της κλινικής τους έκβασης αποτελούν κρίσιμα ζητήματα για τη βελτίωση της ποιότητας της παρεχόμενης φροντίδας. Στο πλαίσιο αυτό, η εφαρμογή αλγορίθμων Μηχανικής Μάθησης, μέσω της ανάλυσης πολύπλοκων κλινικών δεδομένων, προσφέρει χρήσιμες πληροφορίες για την λήψη των κατάλληλων κλινικών αποφάσεων που μπορούν να προάγουν την ομαλή μετεγχειρητική πορεία χειρουργημένων ασθενών. Σκοπός της παρούσας διπλωματικής εργασίας είναι η εφαρμογή και η αξιολόγηση αλγορίθμων Επιβλεπόμενης Μηχανικής Μάθησης για την πρόβλεψη της κλινικής έκβασης χειρουργημένων ασθενών, με βάση κλινικά και διατροφικά χαρακτηριστικά. Για τον σκοπό αυτό χρησιμοποιήθηκαν δομημένα κλινικά δεδομένα ασθενών από το νοσοκομείο «Γ.Ν.Α. Ο ΕΥΑΓΓΕΛΙΣΜΟΣ-ΠΟΛΥΚΛΙΝΙΚΗ», τα οποία υποβλήθηκαν σε κατάλληλη προεπεξεργασία, συμπεριλαμβανομένης της διαχείρισης ελλειπουσών τιμών και της κανονικοποίησης των μεταβλητών. Εφαρμόστηκαν αλγόριθμοι κατηγοριοποίησης βασισμένοι σε δέντρα αποφάσεων, όπως ο Decision Tree, καθώς και o Random Forest και ο XGBoost, που αποτελούν εξέλιξη του Decision Tree. Η αξιολόγηση των μοντέλων πραγματοποιήθηκε με τη χρήση κατάλληλων μετρικών απόδοσης, όπως η Σταθμισμένη Ισορροπημένη Ακρίβεια (Balanced Accuracy Weighted), η ευαισθησία (recall), η ακρίβεια (precision), το F1-score και ο συντελεστής Cohen’s kappa, λαμβάνοντας υπόψιν το πρόβλημα της ανισορροπίας κλάσεων που χαρακτήριζε τα κλινικά δεδομένα. Επιπλέον, διερευνήθηκε η επίδραση τεχνικών υπερδειγματοληψίας, όπως η μέθοδος SMOTE, καθώς και διαφορετικών στρατηγικών επικύρωσης, όπως η k-fold διασταυρούμενη επικύρωση. Υψηλότερο ποσοστό ορθής πρόβλεψης μεταξύ των τριών μοντέλων εμφανίζει εκείνο του Random Forest, όπου η διαδικασία διαχωρισμού και επικύρωσης των δεδομένων για την εκπαίδευση του αλγορίθμου έγινε με τη στρωματοποιημένη δειγματοληψία του κόμβου Table Partitioner με μονομερή διαχωρισμό 80/20, με τιμές για τις μετρικές Balanced Accuracy Weighted, Cohen’s kappa και Macro F1-score, τις 0.84, 0.54 και 0.79 αντίστοιχα. Δεύτερο στην κατάταξη μοντέλο ήταν του αλγορίθμου XGBoost με την ίδια μέθοδο διαχωρισμού και επικύρωσης των δεδομένων με το προηγούμενο μοντέλο, με τιμές για τις μετρικές Balanced Accuracy Weighted, Cohen’s kappa και Macro F1-score, τις 0.79, 0.47 και 0.78 αντίστοιχα. Τρίτο στην κατάταξη μοντέλο ήταν του αλγορίθμου Random Forest, με μέθοδο διαχωρισμού και επικύρωσης των δεδομένων για την εκπαίδευση του αλγορίθμου την k-fold διασταυρούμενη επικύρωση του κόμβου X-Partitioner σε συνδυασμό με την τεχνική υπερδειγματοληψίας SMOTE, με τιμές για τις μετρικές μετρικές Balanced Accuracy Weighted, Cohen’s kappa και Macro F1-score, τις 0.79, 0.49 και 0.72 αντίστοιχα. Και τα τρία αυτά μοντέλα Επιβλεπόμενης Μηχανικής Μάθησης κατάφεραν να κατηγοριοποιήσουν ικανοποιητικά τρεις από τις πέντε κλάσεις της κατηγορίας-στόχου, οι οποίες υπερτερούσαν σε αριθμό δεδομένων. Οι αλγόριθμοι βασισμένοι σε ensemble μεθόδους (μεθόδους συνόλου), Random Forest και XGBoost, παρουσιάζουν ικανοποιητική απόδοση στην πρόβλεψη της κλινικής έκβασης, αναδεικνύοντας τη δυναμική της Μηχανικής Μάθησης ως εργαλείου υποστήριξης της κλινικής απόφασης.","Malnutrition is a common and clinically significant condition among surgically treated patients, negatively affecting postoperative recovery, the development of complications, and the overall outcome of hospitalisation. Early identification of high-risk patients and prediction of their clinical outcomes are critical issues for improving the quality of healthcare delivery. In this context, Machine Learning, by analysing complex clinical data, provides valuable insights to support appropriate clinical decision-making and promote a smooth postoperative course in surgical patients.. This master’s thesis aims to evaluate supervised Machine Learning algorithms for predicting the clinical outcome of surgically treated patients based on clinical and nutritional characteristics. For this purpose, structured clinical data from patients of the hospital “G.N.A. Evangelismos–Polyclinic” were used. The data underwent appropriate preprocessing, including handling of missing values and normalisation of variables. Classification algorithms based on decision trees were applied, including the Decision Tree, as well as Random Forest and XGBoost, which are extensions of the Decision Tree algorithm. Model evaluation was performed using appropriate performance metrics, including Weighted Balanced Accuracy, sensitivity (recall), precision, F1-score, and Cohen’s kappa coefficient, taking into account the issue of class imbalance that characterised the clinical data. In addition, the impact of oversampling techniques, such as SMOTE, and of different validation strategies, including k-fold cross-validation, was investigated. The top-ranked model among the three best-performing models was the Random Forest model, in which data splitting and validation for algorithm training were conducted using stratified sampling through the Table Partitioner node with a one-way 80/20 split, achieving values of 0.84, 0.54, and 0.79 for the Weighted Balanced Accuracy, Cohen’s kappa, and Macro F1-score, respectively. The second-ranked model was the XGBoost algorithm, using the same data splitting and validation method as the previous model, with corresponding values of 0.79, 0.47, and 0.78 for the Weighted Balanced Accuracy, Cohen’s kappa, and Macro F1-score, respectively. The third-ranked model was a Random Forest algorithm trained via k-fold cross-validation using the X-Partitioner node and the SMOTE oversampling technique, achieving values of 0.79, 0.49, and 0.72 for Weighted Balanced Accuracy, Cohen’s kappa, and Macro F1-score, respectively. All three supervised Machine Learning models successfully classified three out of the five target classes, which were the most represented in terms of data volume. Ensemble-based algorithms, namely Random Forest and XGBoost, demonstrated satisfactory performance in predicting clinical outcomes, highlighting the potential of Machine Learning as a clinical decision-support tool."],"dc:identifier":["uoadl:5324789","https://pergamos.lib.uoa.gr/uoa/dl/object/5324789"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Επιστήμες Υγείας","Health Sciences"],"dc:title":["Μελέτη της κλινικής έκβασης χειρουργημένων ασθενών με εφαρμογή αλγορίθμων Μηχανικής Μάθησης"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:17:43Z"}