{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5420924"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5420924","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Πρόβλεψη πρόσφατων παροξύνσεων άσθματος μέσω πληθυσμιακής προσέγγισης μηχανικής μάθησης","abstract":"Εισαγωγή: Το άσθμα αποτελεί μία από τις συχνότερες χρόνιες αναπνευστικές παθήσεις παγκοσμίως και συνδέεται με σημαντική νοσηρότητα, κατανάλωση υγειονομικών πόρων και επιβάρυνση των συστημάτων υγείας. Παρά τις θεραπευτικές εξελίξεις, οι παροξύνσεις άσθματος παραμένουν βασικός παράγοντας επιδείνωσης της κλινικής κατάστασης των ασθενών και συχνή αιτία επισκέψεων στα Τμήματα Επειγόντων Περιστατικών και νοσηλείας. Η έγκαιρη αναγνώριση ατόμων αυξημένου κινδύνου σε πληθυσμιακό επίπεδο δύναται να συμβάλει στη στοχευμένη πρόληψη και στη βελτιστοποίηση της κατανομής πόρων υγείας. Σκοπός: Σκοπός της παρούσας μελέτης ήταν η ανάπτυξη και χρονική εξωτερική επικύρωση ενός προγνωστικού μοντέλου μηχανικής μάθησης για την εκτίμηση της πιθανότητας εμφάνισης τουλάχιστον μίας παρόξυνσης άσθματος σε δωδεκάμηνη χρονική περίοδο σε ενήλικες με ενεργό άσθμα. Υλικό και Μέθοδος: Πραγματοποιήθηκε δευτερογενής ανάλυση δεδομένων από το National Health and Nutrition Examination Survey. Ο κύκλος 2017 έως 2018 χρησιμοποιήθηκε για ανάπτυξη και εσωτερική επικύρωση του μοντέλου, ενώ ο ανεξάρτητος κύκλος 2015 έως 2016 για χρονική εξωτερική επικύρωση χωρίς επαναπροσαρμογή. Εφαρμόστηκε λογιστική παλινδρόμηση με ελαστική κανονικοποίηση. Αποτελέσματα: Στον πληθυσμό ανάπτυξης συμπεριλήφθηκαν 541 ενήλικες με ενεργό άσθμα, εκ των οποίων 42,3 τοις εκατό ανέφεραν τουλάχιστον μία παρόξυνση το προηγούμενο έτος. Η διακριτική ικανότητα στην εσωτερική επικύρωση ήταν AUC 0,76, ενώ στην εξωτερική επικύρωση διατηρήθηκε σε AUC 0,68. Συμπεράσματα: Η ανάπτυξη ενός διαφανούς και αναπαραγώγιμου πληθυσμιακού προγνωστικού μοντέλου ανέδειξε σταθερή απόδοση σε ανεξάρτητο χρονικό δείγμα και μπορεί να υποστηρίξει τη διαστρωμάτωση κινδύνου σε πληθυσμιακό επίπεδο.","abstract_html":"Εισαγωγή: Το άσθμα αποτελεί μία από τις συχνότερες χρόνιες αναπνευστικές παθήσεις παγκοσμίως και συνδέεται με σημαντική νοσηρότητα, κατανάλωση υγειονομικών πόρων και επιβάρυνση των συστημάτων υγείας. Παρά τις θεραπευτικές εξελίξεις, οι παροξύνσεις άσθματος παραμένουν βασικός παράγοντας επιδείνωσης της κλινικής κατάστασης των ασθενών και συχνή αιτία επισκέψεων στα Τμήματα Επειγόντων Περιστατικών και νοσηλείας. Η έγκαιρη αναγνώριση ατόμων αυξημένου κινδύνου σε πληθυσμιακό επίπεδο δύναται να συμβάλει στη στοχευμένη πρόληψη και στη βελτιστοποίηση της κατανομής πόρων υγείας. Σκοπός: Σκοπός της παρούσας μελέτης ήταν η ανάπτυξη και χρονική εξωτερική επικύρωση ενός προγνωστικού μοντέλου μηχανικής μάθησης για την εκτίμηση της πιθανότητας εμφάνισης τουλάχιστον μίας παρόξυνσης άσθματος σε δωδεκάμηνη χρονική περίοδο σε ενήλικες με ενεργό άσθμα. Υλικό και Μέθοδος: Πραγματοποιήθηκε δευτερογενής ανάλυση δεδομένων από το National Health and Nutrition Examination Survey. Ο κύκλος 2017 έως 2018 χρησιμοποιήθηκε για ανάπτυξη και εσωτερική επικύρωση του μοντέλου, ενώ ο ανεξάρτητος κύκλος 2015 έως 2016 για χρονική εξωτερική επικύρωση χωρίς επαναπροσαρμογή. Εφαρμόστηκε λογιστική παλινδρόμηση με ελαστική κανονικοποίηση. Αποτελέσματα: Στον πληθυσμό ανάπτυξης συμπεριλήφθηκαν 541 ενήλικες με ενεργό άσθμα, εκ των οποίων 42,3 τοις εκατό ανέφεραν τουλάχιστον μία παρόξυνση το προηγούμενο έτος. Η διακριτική ικανότητα στην εσωτερική επικύρωση ήταν AUC 0,76, ενώ στην εξωτερική επικύρωση διατηρήθηκε σε AUC 0,68. Συμπεράσματα: Η ανάπτυξη ενός διαφανούς και αναπαραγώγιμου πληθυσμιακού προγνωστικού μοντέλου ανέδειξε σταθερή απόδοση σε ανεξάρτητο χρονικό δείγμα και μπορεί να υποστηρίξει τη διαστρωμάτωση κινδύνου σε πληθυσμιακό επίπεδο.","abstract_has_math":false,"creators":["Καπάταης Χρηστέλος","Kapatais Christelos"],"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":"2026-11-19T05:20:07Z","subjects":["Επιστήμες Υγείας","Health Sciences"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5420924"],"render_values":[{"text":"uoadl:5420924","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5420924","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5420924","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%3A5420924","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Καπάταης Χρηστέλος","Kapatais Christelos"]}]},{"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:5420924","https://pergamos.lib.uoa.gr/uoa/dl/object/5420924"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Εισαγωγή: Το άσθμα αποτελεί μία από τις συχνότερες χρόνιες αναπνευστικές παθήσεις παγκοσμίως και συνδέεται με σημαντική νοσηρότητα, κατανάλωση υγειονομικών πόρων και επιβάρυνση των συστημάτων υγείας. Παρά τις θεραπευτικές εξελίξεις, οι παροξύνσεις άσθματος παραμένουν βασικός παράγοντας επιδείνωσης της κλινικής κατάστασης των ασθενών και συχνή αιτία επισκέψεων στα Τμήματα Επειγόντων Περιστατικών και νοσηλείας. Η έγκαιρη αναγνώριση ατόμων αυξημένου κινδύνου σε πληθυσμιακό επίπεδο δύναται να συμβάλει στη στοχευμένη πρόληψη και στη βελτιστοποίηση της κατανομής πόρων υγείας. Σκοπός: Σκοπός της παρούσας μελέτης ήταν η ανάπτυξη και χρονική εξωτερική επικύρωση ενός προγνωστικού μοντέλου μηχανικής μάθησης για την εκτίμηση της πιθανότητας εμφάνισης τουλάχιστον μίας παρόξυνσης άσθματος σε δωδεκάμηνη χρονική περίοδο σε ενήλικες με ενεργό άσθμα. Υλικό και Μέθοδος: Πραγματοποιήθηκε δευτερογενής ανάλυση δεδομένων από το National Health and Nutrition Examination Survey. Ο κύκλος 2017 έως 2018 χρησιμοποιήθηκε για ανάπτυξη και εσωτερική επικύρωση του μοντέλου, ενώ ο ανεξάρτητος κύκλος 2015 έως 2016 για χρονική εξωτερική επικύρωση χωρίς επαναπροσαρμογή. Εφαρμόστηκε λογιστική παλινδρόμηση με ελαστική κανονικοποίηση. Αποτελέσματα: Στον πληθυσμό ανάπτυξης συμπεριλήφθηκαν 541 ενήλικες με ενεργό άσθμα, εκ των οποίων 42,3 τοις εκατό ανέφεραν τουλάχιστον μία παρόξυνση το προηγούμενο έτος. Η διακριτική ικανότητα στην εσωτερική επικύρωση ήταν AUC 0,76, ενώ στην εξωτερική επικύρωση διατηρήθηκε σε AUC 0,68. Συμπεράσματα: Η ανάπτυξη ενός διαφανούς και αναπαραγώγιμου πληθυσμιακού προγνωστικού μοντέλου ανέδειξε σταθερή απόδοση σε ανεξάρτητο χρονικό δείγμα και μπορεί να υποστηρίξει τη διαστρωμάτωση κινδύνου σε πληθυσμιακό επίπεδο.","Introduction: Asthma is one of the most common chronic respiratory diseases worldwide and is associated with substantial morbidity, healthcare resource utilization, and burden on health systems. Despite therapeutic advances, asthma exacerbations remain a major cause of clinical deterioration and a frequent reason for emergency department visits and hospital admissions. Early identification of individuals at increased risk at the population level may contribute to targeted prevention strategies and more efficient allocation of healthcare resources. Objective: The aim of the present study was to develop and temporally externally validate a machine learning prediction model to estimate the probability of experiencing at least one asthma exacerbation over a twelve month period in adults with current asthma. Material and Methods: A secondary analysis of data from the National Health and Nutrition Examination Survey was conducted. The 2017 to 2018 cycle was used for model development and internal validation, while the independent 2015 to 2016 cycle was used for temporal external validation without model refitting. Elastic net regularized logistic regression was applied as the primary methodological approach. Results: The development cohort included 541 adults with current asthma, of whom 42.3 percent reported at least one exacerbation during the previous year. Discriminative performance in internal validation yielded an AUC of 0.76, while external validation demonstrated preserved performance with an AUC of 0.68. Conclusions: The development of a transparent and reproducible population based prediction model demonstrated stable performance in an independent temporal dataset and may support population level risk stratification."]},{"key":"dc:title","label":"Title","values":["Πρόβλεψη πρόσφατων παροξύνσεων άσθματος μέσω πληθυσμιακής προσέγγισης μηχανικής μάθησης"]}]}],"canonical_facts":{"dc:creator":["Καπάταης Χρηστέλος","Kapatais Christelos"],"dc:date":["2026"],"dc:description":["Εισαγωγή: Το άσθμα αποτελεί μία από τις συχνότερες χρόνιες αναπνευστικές παθήσεις παγκοσμίως και συνδέεται με σημαντική νοσηρότητα, κατανάλωση υγειονομικών πόρων και επιβάρυνση των συστημάτων υγείας. Παρά τις θεραπευτικές εξελίξεις, οι παροξύνσεις άσθματος παραμένουν βασικός παράγοντας επιδείνωσης της κλινικής κατάστασης των ασθενών και συχνή αιτία επισκέψεων στα Τμήματα Επειγόντων Περιστατικών και νοσηλείας. Η έγκαιρη αναγνώριση ατόμων αυξημένου κινδύνου σε πληθυσμιακό επίπεδο δύναται να συμβάλει στη στοχευμένη πρόληψη και στη βελτιστοποίηση της κατανομής πόρων υγείας. Σκοπός: Σκοπός της παρούσας μελέτης ήταν η ανάπτυξη και χρονική εξωτερική επικύρωση ενός προγνωστικού μοντέλου μηχανικής μάθησης για την εκτίμηση της πιθανότητας εμφάνισης τουλάχιστον μίας παρόξυνσης άσθματος σε δωδεκάμηνη χρονική περίοδο σε ενήλικες με ενεργό άσθμα. Υλικό και Μέθοδος: Πραγματοποιήθηκε δευτερογενής ανάλυση δεδομένων από το National Health and Nutrition Examination Survey. Ο κύκλος 2017 έως 2018 χρησιμοποιήθηκε για ανάπτυξη και εσωτερική επικύρωση του μοντέλου, ενώ ο ανεξάρτητος κύκλος 2015 έως 2016 για χρονική εξωτερική επικύρωση χωρίς επαναπροσαρμογή. Εφαρμόστηκε λογιστική παλινδρόμηση με ελαστική κανονικοποίηση. Αποτελέσματα: Στον πληθυσμό ανάπτυξης συμπεριλήφθηκαν 541 ενήλικες με ενεργό άσθμα, εκ των οποίων 42,3 τοις εκατό ανέφεραν τουλάχιστον μία παρόξυνση το προηγούμενο έτος. Η διακριτική ικανότητα στην εσωτερική επικύρωση ήταν AUC 0,76, ενώ στην εξωτερική επικύρωση διατηρήθηκε σε AUC 0,68. Συμπεράσματα: Η ανάπτυξη ενός διαφανούς και αναπαραγώγιμου πληθυσμιακού προγνωστικού μοντέλου ανέδειξε σταθερή απόδοση σε ανεξάρτητο χρονικό δείγμα και μπορεί να υποστηρίξει τη διαστρωμάτωση κινδύνου σε πληθυσμιακό επίπεδο.","Introduction: Asthma is one of the most common chronic respiratory diseases worldwide and is associated with substantial morbidity, healthcare resource utilization, and burden on health systems. Despite therapeutic advances, asthma exacerbations remain a major cause of clinical deterioration and a frequent reason for emergency department visits and hospital admissions. Early identification of individuals at increased risk at the population level may contribute to targeted prevention strategies and more efficient allocation of healthcare resources. Objective: The aim of the present study was to develop and temporally externally validate a machine learning prediction model to estimate the probability of experiencing at least one asthma exacerbation over a twelve month period in adults with current asthma. Material and Methods: A secondary analysis of data from the National Health and Nutrition Examination Survey was conducted. The 2017 to 2018 cycle was used for model development and internal validation, while the independent 2015 to 2016 cycle was used for temporal external validation without model refitting. Elastic net regularized logistic regression was applied as the primary methodological approach. Results: The development cohort included 541 adults with current asthma, of whom 42.3 percent reported at least one exacerbation during the previous year. Discriminative performance in internal validation yielded an AUC of 0.76, while external validation demonstrated preserved performance with an AUC of 0.68. Conclusions: The development of a transparent and reproducible population based prediction model demonstrated stable performance in an independent temporal dataset and may support population level risk stratification."],"dc:identifier":["uoadl:5420924","https://pergamos.lib.uoa.gr/uoa/dl/object/5420924"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Επιστήμες Υγείας","Health Sciences"],"dc:title":["Πρόβλεψη πρόσφατων παροξύνσεων άσθματος μέσω πληθυσμιακής προσέγγισης μηχανικής μάθησης"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:20:07Z"}