{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5357644"},"canonical_url":"https://search.dev.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5357644","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 πρόωρου τερματισμού κλινικών δοκιμών με μοντέλα μηχανικής μάθησης vs κλασσικής παλινδρόμησης, βάση ανάλυσης των χαρακτηριστικών σχεδιασμού τους","abstract":"Πρόβλημα/Υπόβαθρο: Ο πρόωρος τερματισμός των κλινικών δοκιμών έχει ως αποτέλεσμα τη σπατάλη πόρων, ανθρώπινου δυναμικού αλλά και χρηματοδοτήσεων. Το αντίκτυπο είναι μεγαλύτερο σε προχωρημένες φάσεις, όπως η 3, δεδομένου του μεγαλύτερου μεγέθους των παραπάνω. Οι λόγοι μπορεί να οφείλονται μεταξύ άλλων, στα ίδια τα χαρακτηριστικά σχεδιασμού της έρευνας. Συνεπώς, ο τερματισμός μιας τόσο σύνθετης ερευνητικής διαδικασίας είναι πολύ παραγοντικός αλλά και μοναδικός για την εκάστοτε κλινική δοκιμή. Το σύμπλεγμα αιτιών καθίσταται συχνά δύσκολα ανιχνεύσιμο από τα κλασσικά μοντέλα πρόβλεψης, όταν αντίθετα τα μοντέλα μηχανικής μάθησης εκπαιδεύονται συγκεκριμένα στα εκάστοτε δεδομένα. Σκοπός: Το περιεχόμενο της παρούσας εργασίας είναι η ανάλυση των χαρακτηριστικών των κλινικών δοκίμων, μέσω μοντέλων πρόβλεψης της πιθανότητας πρόωρου τερματισμού τους. Η αναγνώριση των χαρακτηριστικών αυτών μπορεί να συμβάλλει στη βελτίωση του σχεδιασμού των κλινικών δοκιμών και κατ’ επέκταση στην επαρκέστερη διαχείριση των ανωτέρω πόρων. Μέθοδοι: Για το σκοπό αυτό αναλύθηκαν οι κλινικές δοκιμές φάσης 1 έως 4 του διαστήματος 2011-2024 από το https://www.clinicaltrials.gov/ και https://aact.ctti-clinicaltrials.org/ . Για κάθε φάση ξεχωριστά, εκπαιδεύτηκαν μοντέλα μηχανικής μάθησης και κλασσικής παλινδρόμησης σε δεδομένα σχεδιασμού - αποτελέσματος και συγκρίθηκε η μεταξύ τους απόδοσή. Πιο συγκεκριμένα, μοντέλα κλασσικής στατιστικής όπως Logistic, LDA, QDA, συγκρίθηκαν με μοντέλα μηχανικής μάθησης KNN, SVC, Gradient Boosting, XGBoost μέσω ROC/PR Curves κ.α. Αποτελέσματα: Το μοντέλο που υπερίσχυσε σε όλες τις φάσεις ως προς τα ROC/PR AUCς αλλά και στις περισσότερες εκ των υπολοίπων μετρήσεων ήταν το XGBoost και το LightBoost. Τα αποτελέσματα ως προς τις σημαντικότερες εκ των μεταβλητών εκτιμήθηκαν με SHAP plots και δευτερευόντως με logistic regression βάση των μεταβλητών που υπέδειξαν τα SHAP plots.. Διαπιστώθηκε ότι ο μειωμένος αριθμός συμμετεχόντων εμφανίζεται ως το κυρίαρχο χαρακτηριστικό που προβλέπει πρόωρη λήξη, ενώ ο αριθμός των δομών το αμέσως επόμενο. Δευτερεύουσες μεταβλητές είναι, συγκεκριμένα πεδία ασθενειών όπως τα νεοπλάσματα, οι υγιείς εθελοντές, οι συμμετέχοντες μεγαλύτερης ηλικίας, τυχαιοποίηση κτλ. Η συνεισφορά των χαρακτηριστικών φαίνεται να σχετίζεται με φάσεις, ερευνητικές φάσεις ερευνητικούς στόχους ή χαρακτηριστικά σχεδιασμού. Για παράδειγμα, η τυχαιοποίηση και το placebo εμφανίζονται στη φάση 3 όπου ο σχεδιασμός είναι πολύ σημαντικός και μάλιστα χαρακτηρίζεται και ως «συγκρίσεως θεραπείας». Συζήτηση/Συμπεράσματα: Τα αποτελέσματα τη παρούσας εργασίας, συμφωνούν σε μεγάλο βαθμό με την προ υπάρχουσα βιβλιογραφία. Η επιπλέον συνεισφορά της εντοπίζεται στην ευρύτερη μελέτη των παραγόντων πρόωρου τερματισμού. Αναλυτικότερα, η ανάλυση εμπεριείχε όλες τις φάσεις από 1 έως 4, και πραγματοποιήθηκε ανά φάση ξεχωριστά. Αναλύθηκαν όσο περισσότερα χαρακτηριστικά σχεδιασμού μιας κλινικής δοκιμής. Τέλος, συγκρίθηκε μεγαλύτερος αριθμός μοντέλων από ότι έχει πραγματευτεί η βιβλιογραφία. Μετέπειτα αναλύσεις μπορούν αν βασιστούν ανά φάση, ανά έκβαση μια κλινικής δοκιμής και σε αλληλεπιδράσεις μεταξύ των παραμέτρων. Τα στοιχεία αυτής και αντίστοιχων μελετών, μπορούν να συμβάλλουν στον προσεκτικότερο σχεδιασμό μιας κλινικής δοκιμής, στα σημεία που εμφανίζονται ως παράγοντες πρόωρου τερματισμού. Μάλιστα, η σχετική βιβλιογραφία μπορεί να αξιοποιηθεί για τις αναλύσεις των ίδιων των δημόσιων αποθετηρίων όπως το ClinicalTrials.gov, με σκοπό τον εντοπισμό αντίστοιχων ερευνών με αυτά τα χαρακτηριστικά πρόωρου τερματισμού. Αποτέλεσμα αυτού είναι η βελτίωση διαχείρισης οικονομικών και ανθρώπινων πόρων αλλά και η ασφαλέστερη έκθεση των εθελοντών σε έρευνες με ουσιαστική συνεισφορά στις επιστήμες υγείας. Βασικός παράγοντας για να επιτευχθούν με ακρίβεια τα παραπάνω, είναι η βελτίωση και η σωστή διατήρηση της ποιότητας των δεδομένων.","abstract_html":"Πρόβλημα/Υπόβαθρο: Ο πρόωρος τερματισμός των κλινικών δοκιμών έχει ως αποτέλεσμα τη σπατάλη πόρων, ανθρώπινου δυναμικού αλλά και χρηματοδοτήσεων. Το αντίκτυπο είναι μεγαλύτερο σε προχωρημένες φάσεις, όπως η 3, δεδομένου του μεγαλύτερου μεγέθους των παραπάνω. Οι λόγοι μπορεί να οφείλονται μεταξύ άλλων, στα ίδια τα χαρακτηριστικά σχεδιασμού της έρευνας. Συνεπώς, ο τερματισμός μιας τόσο σύνθετης ερευνητικής διαδικασίας είναι πολύ παραγοντικός αλλά και μοναδικός για την εκάστοτε κλινική δοκιμή. Το σύμπλεγμα αιτιών καθίσταται συχνά δύσκολα ανιχνεύσιμο από τα κλασσικά μοντέλα πρόβλεψης, όταν αντίθετα τα μοντέλα μηχανικής μάθησης εκπαιδεύονται συγκεκριμένα στα εκάστοτε δεδομένα. Σκοπός: Το περιεχόμενο της παρούσας εργασίας είναι η ανάλυση των χαρακτηριστικών των κλινικών δοκίμων, μέσω μοντέλων πρόβλεψης της πιθανότητας πρόωρου τερματισμού τους. Η αναγνώριση των χαρακτηριστικών αυτών μπορεί να συμβάλλει στη βελτίωση του σχεδιασμού των κλινικών δοκιμών και κατ’ επέκταση στην επαρκέστερη διαχείριση των ανωτέρω πόρων. Μέθοδοι: Για το σκοπό αυτό αναλύθηκαν οι κλινικές δοκιμές φάσης 1 έως 4 του διαστήματος 2011-2024 από το https://www.clinicaltrials.gov/ και https://aact.ctti-clinicaltrials.org/ . Για κάθε φάση ξεχωριστά, εκπαιδεύτηκαν μοντέλα μηχανικής μάθησης και κλασσικής παλινδρόμησης σε δεδομένα σχεδιασμού - αποτελέσματος και συγκρίθηκε η μεταξύ τους απόδοσή. Πιο συγκεκριμένα, μοντέλα κλασσικής στατιστικής όπως Logistic, LDA, QDA, συγκρίθηκαν με μοντέλα μηχανικής μάθησης KNN, SVC, Gradient Boosting, XGBoost μέσω ROC/PR Curves κ.α. Αποτελέσματα: Το μοντέλο που υπερίσχυσε σε όλες τις φάσεις ως προς τα ROC/PR AUCς αλλά και στις περισσότερες εκ των υπολοίπων μετρήσεων ήταν το XGBoost και το LightBoost. Τα αποτελέσματα ως προς τις σημαντικότερες εκ των μεταβλητών εκτιμήθηκαν με SHAP plots και δευτερευόντως με logistic regression βάση των μεταβλητών που υπέδειξαν τα SHAP plots.. Διαπιστώθηκε ότι ο μειωμένος αριθμός συμμετεχόντων εμφανίζεται ως το κυρίαρχο χαρακτηριστικό που προβλέπει πρόωρη λήξη, ενώ ο αριθμός των δομών το αμέσως επόμενο. Δευτερεύουσες μεταβλητές είναι, συγκεκριμένα πεδία ασθενειών όπως τα νεοπλάσματα, οι υγιείς εθελοντές, οι συμμετέχοντες μεγαλύτερης ηλικίας, τυχαιοποίηση κτλ. Η συνεισφορά των χαρακτηριστικών φαίνεται να σχετίζεται με φάσεις, ερευνητικές φάσεις ερευνητικούς στόχους ή χαρακτηριστικά σχεδιασμού. Για παράδειγμα, η τυχαιοποίηση και το placebo εμφανίζονται στη φάση 3 όπου ο σχεδιασμός είναι πολύ σημαντικός και μάλιστα χαρακτηρίζεται και ως «συγκρίσεως θεραπείας». Συζήτηση/Συμπεράσματα: Τα αποτελέσματα τη παρούσας εργασίας, συμφωνούν σε μεγάλο βαθμό με την προ υπάρχουσα βιβλιογραφία. Η επιπλέον συνεισφορά της εντοπίζεται στην ευρύτερη μελέτη των παραγόντων πρόωρου τερματισμού. Αναλυτικότερα, η ανάλυση εμπεριείχε όλες τις φάσεις από 1 έως 4, και πραγματοποιήθηκε ανά φάση ξεχωριστά. Αναλύθηκαν όσο περισσότερα χαρακτηριστικά σχεδιασμού μιας κλινικής δοκιμής. Τέλος, συγκρίθηκε μεγαλύτερος αριθμός μοντέλων από ότι έχει πραγματευτεί η βιβλιογραφία. Μετέπειτα αναλύσεις μπορούν αν βασιστούν ανά φάση, ανά έκβαση μια κλινικής δοκιμής και σε αλληλεπιδράσεις μεταξύ των παραμέτρων. Τα στοιχεία αυτής και αντίστοιχων μελετών, μπορούν να συμβάλλουν στον προσεκτικότερο σχεδιασμό μιας κλινικής δοκιμής, στα σημεία που εμφανίζονται ως παράγοντες πρόωρου τερματισμού. Μάλιστα, η σχετική βιβλιογραφία μπορεί να αξιοποιηθεί για τις αναλύσεις των ίδιων των δημόσιων αποθετηρίων όπως το ClinicalTrials.gov, με σκοπό τον εντοπισμό αντίστοιχων ερευνών με αυτά τα χαρακτηριστικά πρόωρου τερματισμού. Αποτέλεσμα αυτού είναι η βελτίωση διαχείρισης οικονομικών και ανθρώπινων πόρων αλλά και η ασφαλέστερη έκθεση των εθελοντών σε έρευνες με ουσιαστική συνεισφορά στις επιστήμες υγείας. Βασικός παράγοντας για να επιτευχθούν με ακρίβεια τα παραπάνω, είναι η βελτίωση και η σωστή διατήρηση της ποιότητας των δεδομένων.","abstract_has_math":false,"creators":["Ανδρέου Ευγενία-Σπυριδούλα","Andreou Evgenia-Spyridoula"],"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":"2026-07-24T01:01:45Z","subjects":["Επιστήμες Υγείας","Health Sciences"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5357644"],"render_values":[{"text":"uoadl:5357644","href":null,"code":true}]}]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5357644","outbound_label":"Repository record","outbound_source":"dc:identifier"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Ανδρέου Ευγενία-Σπυριδούλα","Andreou Evgenia-Spyridoula"]}]},{"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":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5357644","https://pergamos.lib.uoa.gr/uoa/dl/object/5357644"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Πρόβλημα/Υπόβαθρο: Ο πρόωρος τερματισμός των κλινικών δοκιμών έχει ως αποτέλεσμα τη σπατάλη πόρων, ανθρώπινου δυναμικού αλλά και χρηματοδοτήσεων. Το αντίκτυπο είναι μεγαλύτερο σε προχωρημένες φάσεις, όπως η 3, δεδομένου του μεγαλύτερου μεγέθους των παραπάνω. Οι λόγοι μπορεί να οφείλονται μεταξύ άλλων, στα ίδια τα χαρακτηριστικά σχεδιασμού της έρευνας. Συνεπώς, ο τερματισμός μιας τόσο σύνθετης ερευνητικής διαδικασίας είναι πολύ παραγοντικός αλλά και μοναδικός για την εκάστοτε κλινική δοκιμή. Το σύμπλεγμα αιτιών καθίσταται συχνά δύσκολα ανιχνεύσιμο από τα κλασσικά μοντέλα πρόβλεψης, όταν αντίθετα τα μοντέλα μηχανικής μάθησης εκπαιδεύονται συγκεκριμένα στα εκάστοτε δεδομένα. Σκοπός: Το περιεχόμενο της παρούσας εργασίας είναι η ανάλυση των χαρακτηριστικών των κλινικών δοκίμων, μέσω μοντέλων πρόβλεψης της πιθανότητας πρόωρου τερματισμού τους. Η αναγνώριση των χαρακτηριστικών αυτών μπορεί να συμβάλλει στη βελτίωση του σχεδιασμού των κλινικών δοκιμών και κατ’ επέκταση στην επαρκέστερη διαχείριση των ανωτέρω πόρων. Μέθοδοι: Για το σκοπό αυτό αναλύθηκαν οι κλινικές δοκιμές φάσης 1 έως 4 του διαστήματος 2011-2024 από το https://www.clinicaltrials.gov/ και https://aact.ctti-clinicaltrials.org/ . Για κάθε φάση ξεχωριστά, εκπαιδεύτηκαν μοντέλα μηχανικής μάθησης και κλασσικής παλινδρόμησης σε δεδομένα σχεδιασμού - αποτελέσματος και συγκρίθηκε η μεταξύ τους απόδοσή. Πιο συγκεκριμένα, μοντέλα κλασσικής στατιστικής όπως Logistic, LDA, QDA, συγκρίθηκαν με μοντέλα μηχανικής μάθησης KNN, SVC, Gradient Boosting, XGBoost μέσω ROC/PR Curves κ.α. Αποτελέσματα: Το μοντέλο που υπερίσχυσε σε όλες τις φάσεις ως προς τα ROC/PR AUCς αλλά και στις περισσότερες εκ των υπολοίπων μετρήσεων ήταν το XGBoost και το LightBoost. Τα αποτελέσματα ως προς τις σημαντικότερες εκ των μεταβλητών εκτιμήθηκαν με SHAP plots και δευτερευόντως με logistic regression βάση των μεταβλητών που υπέδειξαν τα SHAP plots.. Διαπιστώθηκε ότι ο μειωμένος αριθμός συμμετεχόντων εμφανίζεται ως το κυρίαρχο χαρακτηριστικό που προβλέπει πρόωρη λήξη, ενώ ο αριθμός των δομών το αμέσως επόμενο. Δευτερεύουσες μεταβλητές είναι, συγκεκριμένα πεδία ασθενειών όπως τα νεοπλάσματα, οι υγιείς εθελοντές, οι συμμετέχοντες μεγαλύτερης ηλικίας, τυχαιοποίηση κτλ. Η συνεισφορά των χαρακτηριστικών φαίνεται να σχετίζεται με φάσεις, ερευνητικές φάσεις ερευνητικούς στόχους ή χαρακτηριστικά σχεδιασμού. Για παράδειγμα, η τυχαιοποίηση και το placebo εμφανίζονται στη φάση 3 όπου ο σχεδιασμός είναι πολύ σημαντικός και μάλιστα χαρακτηρίζεται και ως «συγκρίσεως θεραπείας». Συζήτηση/Συμπεράσματα: Τα αποτελέσματα τη παρούσας εργασίας, συμφωνούν σε μεγάλο βαθμό με την προ υπάρχουσα βιβλιογραφία. Η επιπλέον συνεισφορά της εντοπίζεται στην ευρύτερη μελέτη των παραγόντων πρόωρου τερματισμού. Αναλυτικότερα, η ανάλυση εμπεριείχε όλες τις φάσεις από 1 έως 4, και πραγματοποιήθηκε ανά φάση ξεχωριστά. Αναλύθηκαν όσο περισσότερα χαρακτηριστικά σχεδιασμού μιας κλινικής δοκιμής. Τέλος, συγκρίθηκε μεγαλύτερος αριθμός μοντέλων από ότι έχει πραγματευτεί η βιβλιογραφία. Μετέπειτα αναλύσεις μπορούν αν βασιστούν ανά φάση, ανά έκβαση μια κλινικής δοκιμής και σε αλληλεπιδράσεις μεταξύ των παραμέτρων. Τα στοιχεία αυτής και αντίστοιχων μελετών, μπορούν να συμβάλλουν στον προσεκτικότερο σχεδιασμό μιας κλινικής δοκιμής, στα σημεία που εμφανίζονται ως παράγοντες πρόωρου τερματισμού. Μάλιστα, η σχετική βιβλιογραφία μπορεί να αξιοποιηθεί για τις αναλύσεις των ίδιων των δημόσιων αποθετηρίων όπως το ClinicalTrials.gov, με σκοπό τον εντοπισμό αντίστοιχων ερευνών με αυτά τα χαρακτηριστικά πρόωρου τερματισμού. Αποτέλεσμα αυτού είναι η βελτίωση διαχείρισης οικονομικών και ανθρώπινων πόρων αλλά και η ασφαλέστερη έκθεση των εθελοντών σε έρευνες με ουσιαστική συνεισφορά στις επιστήμες υγείας. Βασικός παράγοντας για να επιτευχθούν με ακρίβεια τα παραπάνω, είναι η βελτίωση και η σωστή διατήρηση της ποιότητας των δεδομένων.","Problem/Background: The premature termination of clinical trials results in a waste of resources, such as human and/or funding. The impact is greater in advanced phases, such as 3, given the greater size of the above. The reasons may be due, among other things, to the design characteristics of the research itself. Consequently, the termination of such a complex research process is very factorial but also unique to each clinical trial. The complex of causes often becomes difficult to detect by classical prediction models, when on the contrary, machine learning models are specifically trained on the data in question. Purpose: The content of this work is the analysis of the characteristics of clinical trials through prediction models of the probability of their premature termination. The identification of these characteristics can contribute to the improvement of the design of clinical trials and, by extension, to more efficient resources management. Method: For this purpose, clinical trials from phases 1 to 4 from 2011-2024 were analysed from https://www.clinicaltrials.gov/ and https://aact.ctti-clinicaltrials.org/ . For each phase separately, machine learning and classical regression models were trained on design-outcome data, and their performance was compared. More specifically, classical statistical models such as Logistic, LDA, QDA, were compared with machine learning models KNN, SVC, Gradient Boosting, XGBoosting and LightBoost via ROC/PR Curves, etc. Finally, the results regarding the most important variables were estimated with SHAP plots and secondary with logistic based on features indicated by SHAP. Results: The model that outperformed in all phases in terms of ROC/PR AUCs and in most of the remaining metrics was XGBoost and LightBoost. The reduced number of participants appeared as the dominant feature predicting early termination, followed by the number of facilities. Secondary variables were specific disease fields such as neoplasms, healthy volunteers, older aged participants, intervention model, allocation etc. Features’ contribution seems to be related to phases’, investigational phases research objectives or design characteristics. For example, randomization and placebo occur in phase 3 where design is of much importance this ‘treatment comparing’ phase. Discussion/Conclusions: The results of this study are aligned consistently with the existing literature. Its additional contribution is found in the broader study of factors of premature termination. More specifically, the analysis included all phases from 1 to 4 and was carried out for each phase separately. Also, as many design features as possible were analysed. Finally, a larger number of models were compared than has been mentioned in literature. Subsequent analyses could be based on phase, and interactions between features, such as how other features affect the accruals rates. The data from this and similar studies can contribute to a more careful design of a clinical trial, in the points that appear as factors of premature termination. In fact, the relevant literature can be used for the analyses of the public registries themselves, such as ClinicalTrials.gov, in order to identify corresponding studies with these characteristics of premature termination. This could result is improvement oof financial and human resources management, as well as safer exposure of volunteers to research with a substantial contribution to health sciences. To accurately achieve the above, data quality of input must be improved and preserved."]},{"key":"dc:title","label":"Title","values":["Πρόβλεψη πρόωρου τερματισμού κλινικών δοκιμών με μοντέλα μηχανικής μάθησης vs κλασσικής παλινδρόμησης, βάση ανάλυσης των χαρακτηριστικών σχεδιασμού τους"]}]}],"canonical_facts":{"dc:creator":["Ανδρέου Ευγενία-Σπυριδούλα","Andreou Evgenia-Spyridoula"],"dc:date":["2026"],"dc:description":["Πρόβλημα/Υπόβαθρο: Ο πρόωρος τερματισμός των κλινικών δοκιμών έχει ως αποτέλεσμα τη σπατάλη πόρων, ανθρώπινου δυναμικού αλλά και χρηματοδοτήσεων. Το αντίκτυπο είναι μεγαλύτερο σε προχωρημένες φάσεις, όπως η 3, δεδομένου του μεγαλύτερου μεγέθους των παραπάνω. Οι λόγοι μπορεί να οφείλονται μεταξύ άλλων, στα ίδια τα χαρακτηριστικά σχεδιασμού της έρευνας. Συνεπώς, ο τερματισμός μιας τόσο σύνθετης ερευνητικής διαδικασίας είναι πολύ παραγοντικός αλλά και μοναδικός για την εκάστοτε κλινική δοκιμή. Το σύμπλεγμα αιτιών καθίσταται συχνά δύσκολα ανιχνεύσιμο από τα κλασσικά μοντέλα πρόβλεψης, όταν αντίθετα τα μοντέλα μηχανικής μάθησης εκπαιδεύονται συγκεκριμένα στα εκάστοτε δεδομένα. Σκοπός: Το περιεχόμενο της παρούσας εργασίας είναι η ανάλυση των χαρακτηριστικών των κλινικών δοκίμων, μέσω μοντέλων πρόβλεψης της πιθανότητας πρόωρου τερματισμού τους. Η αναγνώριση των χαρακτηριστικών αυτών μπορεί να συμβάλλει στη βελτίωση του σχεδιασμού των κλινικών δοκιμών και κατ’ επέκταση στην επαρκέστερη διαχείριση των ανωτέρω πόρων. Μέθοδοι: Για το σκοπό αυτό αναλύθηκαν οι κλινικές δοκιμές φάσης 1 έως 4 του διαστήματος 2011-2024 από το https://www.clinicaltrials.gov/ και https://aact.ctti-clinicaltrials.org/ . Για κάθε φάση ξεχωριστά, εκπαιδεύτηκαν μοντέλα μηχανικής μάθησης και κλασσικής παλινδρόμησης σε δεδομένα σχεδιασμού - αποτελέσματος και συγκρίθηκε η μεταξύ τους απόδοσή. Πιο συγκεκριμένα, μοντέλα κλασσικής στατιστικής όπως Logistic, LDA, QDA, συγκρίθηκαν με μοντέλα μηχανικής μάθησης KNN, SVC, Gradient Boosting, XGBoost μέσω ROC/PR Curves κ.α. Αποτελέσματα: Το μοντέλο που υπερίσχυσε σε όλες τις φάσεις ως προς τα ROC/PR AUCς αλλά και στις περισσότερες εκ των υπολοίπων μετρήσεων ήταν το XGBoost και το LightBoost. Τα αποτελέσματα ως προς τις σημαντικότερες εκ των μεταβλητών εκτιμήθηκαν με SHAP plots και δευτερευόντως με logistic regression βάση των μεταβλητών που υπέδειξαν τα SHAP plots.. Διαπιστώθηκε ότι ο μειωμένος αριθμός συμμετεχόντων εμφανίζεται ως το κυρίαρχο χαρακτηριστικό που προβλέπει πρόωρη λήξη, ενώ ο αριθμός των δομών το αμέσως επόμενο. Δευτερεύουσες μεταβλητές είναι, συγκεκριμένα πεδία ασθενειών όπως τα νεοπλάσματα, οι υγιείς εθελοντές, οι συμμετέχοντες μεγαλύτερης ηλικίας, τυχαιοποίηση κτλ. Η συνεισφορά των χαρακτηριστικών φαίνεται να σχετίζεται με φάσεις, ερευνητικές φάσεις ερευνητικούς στόχους ή χαρακτηριστικά σχεδιασμού. Για παράδειγμα, η τυχαιοποίηση και το placebo εμφανίζονται στη φάση 3 όπου ο σχεδιασμός είναι πολύ σημαντικός και μάλιστα χαρακτηρίζεται και ως «συγκρίσεως θεραπείας». Συζήτηση/Συμπεράσματα: Τα αποτελέσματα τη παρούσας εργασίας, συμφωνούν σε μεγάλο βαθμό με την προ υπάρχουσα βιβλιογραφία. Η επιπλέον συνεισφορά της εντοπίζεται στην ευρύτερη μελέτη των παραγόντων πρόωρου τερματισμού. Αναλυτικότερα, η ανάλυση εμπεριείχε όλες τις φάσεις από 1 έως 4, και πραγματοποιήθηκε ανά φάση ξεχωριστά. Αναλύθηκαν όσο περισσότερα χαρακτηριστικά σχεδιασμού μιας κλινικής δοκιμής. Τέλος, συγκρίθηκε μεγαλύτερος αριθμός μοντέλων από ότι έχει πραγματευτεί η βιβλιογραφία. Μετέπειτα αναλύσεις μπορούν αν βασιστούν ανά φάση, ανά έκβαση μια κλινικής δοκιμής και σε αλληλεπιδράσεις μεταξύ των παραμέτρων. Τα στοιχεία αυτής και αντίστοιχων μελετών, μπορούν να συμβάλλουν στον προσεκτικότερο σχεδιασμό μιας κλινικής δοκιμής, στα σημεία που εμφανίζονται ως παράγοντες πρόωρου τερματισμού. Μάλιστα, η σχετική βιβλιογραφία μπορεί να αξιοποιηθεί για τις αναλύσεις των ίδιων των δημόσιων αποθετηρίων όπως το ClinicalTrials.gov, με σκοπό τον εντοπισμό αντίστοιχων ερευνών με αυτά τα χαρακτηριστικά πρόωρου τερματισμού. Αποτέλεσμα αυτού είναι η βελτίωση διαχείρισης οικονομικών και ανθρώπινων πόρων αλλά και η ασφαλέστερη έκθεση των εθελοντών σε έρευνες με ουσιαστική συνεισφορά στις επιστήμες υγείας. Βασικός παράγοντας για να επιτευχθούν με ακρίβεια τα παραπάνω, είναι η βελτίωση και η σωστή διατήρηση της ποιότητας των δεδομένων.","Problem/Background: The premature termination of clinical trials results in a waste of resources, such as human and/or funding. The impact is greater in advanced phases, such as 3, given the greater size of the above. The reasons may be due, among other things, to the design characteristics of the research itself. Consequently, the termination of such a complex research process is very factorial but also unique to each clinical trial. The complex of causes often becomes difficult to detect by classical prediction models, when on the contrary, machine learning models are specifically trained on the data in question. Purpose: The content of this work is the analysis of the characteristics of clinical trials through prediction models of the probability of their premature termination. The identification of these characteristics can contribute to the improvement of the design of clinical trials and, by extension, to more efficient resources management. Method: For this purpose, clinical trials from phases 1 to 4 from 2011-2024 were analysed from https://www.clinicaltrials.gov/ and https://aact.ctti-clinicaltrials.org/ . For each phase separately, machine learning and classical regression models were trained on design-outcome data, and their performance was compared. More specifically, classical statistical models such as Logistic, LDA, QDA, were compared with machine learning models KNN, SVC, Gradient Boosting, XGBoosting and LightBoost via ROC/PR Curves, etc. Finally, the results regarding the most important variables were estimated with SHAP plots and secondary with logistic based on features indicated by SHAP. Results: The model that outperformed in all phases in terms of ROC/PR AUCs and in most of the remaining metrics was XGBoost and LightBoost. The reduced number of participants appeared as the dominant feature predicting early termination, followed by the number of facilities. Secondary variables were specific disease fields such as neoplasms, healthy volunteers, older aged participants, intervention model, allocation etc. Features’ contribution seems to be related to phases’, investigational phases research objectives or design characteristics. For example, randomization and placebo occur in phase 3 where design is of much importance this ‘treatment comparing’ phase. Discussion/Conclusions: The results of this study are aligned consistently with the existing literature. Its additional contribution is found in the broader study of factors of premature termination. More specifically, the analysis included all phases from 1 to 4 and was carried out for each phase separately. Also, as many design features as possible were analysed. Finally, a larger number of models were compared than has been mentioned in literature. Subsequent analyses could be based on phase, and interactions between features, such as how other features affect the accruals rates. The data from this and similar studies can contribute to a more careful design of a clinical trial, in the points that appear as factors of premature termination. In fact, the relevant literature can be used for the analyses of the public registries themselves, such as ClinicalTrials.gov, in order to identify corresponding studies with these characteristics of premature termination. This could result is improvement oof financial and human resources management, as well as safer exposure of volunteers to research with a substantial contribution to health sciences. To accurately achieve the above, data quality of input must be improved and preserved."],"dc:identifier":["uoadl:5357644","https://pergamos.lib.uoa.gr/uoa/dl/object/5357644"],"dc:language":["English"],"dc:subject":["Επιστήμες Υγείας","Health Sciences"],"dc:title":["Πρόβλεψη πρόωρου τερματισμού κλινικών δοκιμών με μοντέλα μηχανικής μάθησης vs κλασσικής παλινδρόμησης, βάση ανάλυσης των χαρακτηριστικών σχεδιασμού τους"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-07-24T01:01:45Z"}