{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5362496"},"canonical_url":"https://search.dev.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5362496","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Εφαρμογή αλγορίθμων μηχανικής μάθησης για την υποστήριξη θεραπευτικής απόφασης και την πρόβλεψη χρήσης ενδοστοματικού νάρθηκα σε ασθενείς με υπνική άπνοια","abstract":"Η υπνική άπνοια είναι μία χρόνια αναπνευστική διαταραχή και αποτελεί σήμερα ένα παγκόσμιο πρόβλημα υγείας. Παρά την βαρύτητα της νόσου, καθώς συσχετίζεται με την εμφάνιση άλλων αγγειολογικών και μεταβολικών διαταραχών, παραμένει υποδιαγνωσμένη. Η θεραπεία της περιλαμβάνει την χρήση μηχανήματος CPAP ή ενδοστοματικού νάρθηκα. Ιδιαίτερα την τελευταία δεκαετία, αλγόριθμοι τεχνητής νοημοσύνης και μηχανικής μάθησης έχουν εφαρμοστεί πάνω σε δεδομένα ασθενών που πάσχουν από υπνική άπνοια, για την πρόβλεψη της διάγνωσης της διαταραχής ή της αποτελεσματικότητας της θεραπείας. Σκοπός της συγκεκριμένης διπλωματικής εργασίας αποτελεί η διερεύνηση της εφαρμογής αλγορίθμων μηχανικής μάθησης για την πρόβλεψη της επιλογής χρήσης ή μη ενδοστοματικού νάρθηκα για την θεραπεία της υπνικής άπνοιας και για την πρόβλεψη επιλογής του είδους του νάρθηκα για την υποστήριξη της θεραπευτικής απόφασης του ασθενή. Αξιοποιήθηκαν πραγματικά δεδομένα που περιλαμβάνουν παραμέτρους από πολυσωματοκαταγραφικές μελέτες ύπνου (PSG), το ιατρικό ιστορικό και απαντήσεις από ένα σύντομο ερωτηματολόγιο υπνηλίας. Εφαρμόστηκαν οι αλγόριθμοι μηχανικής μάθησης Random Forest, XGBoost και Support Vector Machines τόσο για την πολυκατηγορική πρόβλεψη (τύπος νάρθηκα) όσο και για τη δυαδική πρόβλεψη (επιλογή ή μη θεραπείας με νάρθηκα). Εφαρμόστηκαν, επίσης, τεχνικές επιλογής χαρακτηριστικών, διασταυρούμενης επικύρωσης και επίδρασης της εξισορρόπησης δεδομένων με την τεχνική SMOTE, στο πολυκατηγορικό και στο δυαδικό ζητούμενο διερεύνησης. Συμπερασματικά, από τα μοντέλα μηχανικής μάθησης που εφαρμόστηκαν ο Random Forest και ο XGBoost έδειξαν περισσότερη σταθερότητα σε σχέση με τον SVM, αλλά κανένα μοντέλο δεν έδειξε προβλεπτική ικανότητα επιλογής της θεραπείας άνω του. Τα ευρήματα της μελέτης συμπληρώνουν το ερευνητικό κενό στη βιβλιογραφία σχετικά με την προτίμηση επιλογής θεραπείας του ασθενή. Παρόλο που τα αποτελέσματα των μοντέλων προέκυψαν τυχαία από μικρό δείγμα και από ένα οδοντιατρικό οι αλγόριθμοι Random Forest και XGBoost παρουσίασαν μέτρια με χαμηλή ισορροπημένη ακρίβεια πρόβλεψης ασθενών που έλαβαν νάρθηκα και για αυτό θα μπορούσαν μελλοντικά να εκπαιδευτούν σε περισσότερα δεδομένα και να χρησιμοποιηθούν ως εργαλεία αρχικής εκτίμησης (screening) δεκτικότητας σε θεραπεία με νάρθηκα.","abstract_html":"Η υπνική άπνοια είναι μία χρόνια αναπνευστική διαταραχή και αποτελεί σήμερα ένα παγκόσμιο πρόβλημα υγείας. Παρά την βαρύτητα της νόσου, καθώς συσχετίζεται με την εμφάνιση άλλων αγγειολογικών και μεταβολικών διαταραχών, παραμένει υποδιαγνωσμένη. Η θεραπεία της περιλαμβάνει την χρήση μηχανήματος CPAP ή ενδοστοματικού νάρθηκα. Ιδιαίτερα την τελευταία δεκαετία, αλγόριθμοι τεχνητής νοημοσύνης και μηχανικής μάθησης έχουν εφαρμοστεί πάνω σε δεδομένα ασθενών που πάσχουν από υπνική άπνοια, για την πρόβλεψη της διάγνωσης της διαταραχής ή της αποτελεσματικότητας της θεραπείας. Σκοπός της συγκεκριμένης διπλωματικής εργασίας αποτελεί η διερεύνηση της εφαρμογής αλγορίθμων μηχανικής μάθησης για την πρόβλεψη της επιλογής χρήσης ή μη ενδοστοματικού νάρθηκα για την θεραπεία της υπνικής άπνοιας και για την πρόβλεψη επιλογής του είδους του νάρθηκα για την υποστήριξη της θεραπευτικής απόφασης του ασθενή. Αξιοποιήθηκαν πραγματικά δεδομένα που περιλαμβάνουν παραμέτρους από πολυσωματοκαταγραφικές μελέτες ύπνου (PSG), το ιατρικό ιστορικό και απαντήσεις από ένα σύντομο ερωτηματολόγιο υπνηλίας. Εφαρμόστηκαν οι αλγόριθμοι μηχανικής μάθησης Random Forest, XGBoost και Support Vector Machines τόσο για την πολυκατηγορική πρόβλεψη (τύπος νάρθηκα) όσο και για τη δυαδική πρόβλεψη (επιλογή ή μη θεραπείας με νάρθηκα). Εφαρμόστηκαν, επίσης, τεχνικές επιλογής χαρακτηριστικών, διασταυρούμενης επικύρωσης και επίδρασης της εξισορρόπησης δεδομένων με την τεχνική SMOTE, στο πολυκατηγορικό και στο δυαδικό ζητούμενο διερεύνησης. Συμπερασματικά, από τα μοντέλα μηχανικής μάθησης που εφαρμόστηκαν ο Random Forest και ο XGBoost έδειξαν περισσότερη σταθερότητα σε σχέση με τον SVM, αλλά κανένα μοντέλο δεν έδειξε προβλεπτική ικανότητα επιλογής της θεραπείας άνω του. Τα ευρήματα της μελέτης συμπληρώνουν το ερευνητικό κενό στη βιβλιογραφία σχετικά με την προτίμηση επιλογής θεραπείας του ασθενή. Παρόλο που τα αποτελέσματα των μοντέλων προέκυψαν τυχαία από μικρό δείγμα και από ένα οδοντιατρικό οι αλγόριθμοι Random Forest και XGBoost παρουσίασαν μέτρια με χαμηλή ισορροπημένη ακρίβεια πρόβλεψης ασθενών που έλαβαν νάρθηκα και για αυτό θα μπορούσαν μελλοντικά να εκπαιδευτούν σε περισσότερα δεδομένα και να χρησιμοποιηθούν ως εργαλεία αρχικής εκτίμησης (screening) δεκτικότητας σε θεραπεία με νάρθηκα.","abstract_has_math":false,"creators":["Βλασσοπούλου Άρτεμις","Vlassopoulou Artemis"],"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":"2026-07-24T01:01:58Z","subjects":["Επιστήμες Υγείας","Health Sciences"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5362496"],"render_values":[{"text":"uoadl:5362496","href":null,"code":true}]}]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5362496","outbound_label":"Repository record","outbound_source":"dc:identifier"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Βλασσοπούλου Άρτεμις","Vlassopoulou Artemis"]}]},{"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:5362496","https://pergamos.lib.uoa.gr/uoa/dl/object/5362496"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η υπνική άπνοια είναι μία χρόνια αναπνευστική διαταραχή και αποτελεί σήμερα ένα παγκόσμιο πρόβλημα υγείας. Παρά την βαρύτητα της νόσου, καθώς συσχετίζεται με την εμφάνιση άλλων αγγειολογικών και μεταβολικών διαταραχών, παραμένει υποδιαγνωσμένη. Η θεραπεία της περιλαμβάνει την χρήση μηχανήματος CPAP ή ενδοστοματικού νάρθηκα. Ιδιαίτερα την τελευταία δεκαετία, αλγόριθμοι τεχνητής νοημοσύνης και μηχανικής μάθησης έχουν εφαρμοστεί πάνω σε δεδομένα ασθενών που πάσχουν από υπνική άπνοια, για την πρόβλεψη της διάγνωσης της διαταραχής ή της αποτελεσματικότητας της θεραπείας. Σκοπός της συγκεκριμένης διπλωματικής εργασίας αποτελεί η διερεύνηση της εφαρμογής αλγορίθμων μηχανικής μάθησης για την πρόβλεψη της επιλογής χρήσης ή μη ενδοστοματικού νάρθηκα για την θεραπεία της υπνικής άπνοιας και για την πρόβλεψη επιλογής του είδους του νάρθηκα για την υποστήριξη της θεραπευτικής απόφασης του ασθενή. Αξιοποιήθηκαν πραγματικά δεδομένα που περιλαμβάνουν παραμέτρους από πολυσωματοκαταγραφικές μελέτες ύπνου (PSG), το ιατρικό ιστορικό και απαντήσεις από ένα σύντομο ερωτηματολόγιο υπνηλίας. Εφαρμόστηκαν οι αλγόριθμοι μηχανικής μάθησης Random Forest, XGBoost και Support Vector Machines τόσο για την πολυκατηγορική πρόβλεψη (τύπος νάρθηκα) όσο και για τη δυαδική πρόβλεψη (επιλογή ή μη θεραπείας με νάρθηκα). Εφαρμόστηκαν, επίσης, τεχνικές επιλογής χαρακτηριστικών, διασταυρούμενης επικύρωσης και επίδρασης της εξισορρόπησης δεδομένων με την τεχνική SMOTE, στο πολυκατηγορικό και στο δυαδικό ζητούμενο διερεύνησης. Συμπερασματικά, από τα μοντέλα μηχανικής μάθησης που εφαρμόστηκαν ο Random Forest και ο XGBoost έδειξαν περισσότερη σταθερότητα σε σχέση με τον SVM, αλλά κανένα μοντέλο δεν έδειξε προβλεπτική ικανότητα επιλογής της θεραπείας άνω του. Τα ευρήματα της μελέτης συμπληρώνουν το ερευνητικό κενό στη βιβλιογραφία σχετικά με την προτίμηση επιλογής θεραπείας του ασθενή. Παρόλο που τα αποτελέσματα των μοντέλων προέκυψαν τυχαία από μικρό δείγμα και από ένα οδοντιατρικό οι αλγόριθμοι Random Forest και XGBoost παρουσίασαν μέτρια με χαμηλή ισορροπημένη ακρίβεια πρόβλεψης ασθενών που έλαβαν νάρθηκα και για αυτό θα μπορούσαν μελλοντικά να εκπαιδευτούν σε περισσότερα δεδομένα και να χρησιμοποιηθούν ως εργαλεία αρχικής εκτίμησης (screening) δεκτικότητας σε θεραπεία με νάρθηκα.","Sleep Apnea is a chronic respiratory disorder and today it has become a worldwide health issue. Despite its severity, it remains underdiagnosed, even though it is associated with the prevalence of other cardiovascular and metabolic diseases. Treatment of sleep apnea includes CPAP or oral appliances. Especially in the last decade, artificial intelligence and machine learning algorithms have been applied on data of sleep apnea patients to diagnose sleep apnea or predict treatment outcomes. The main objective of this study is to investigate the application of machine learning algorithms to predict the use or non-use of oral appliance therapy for the treatment of sleep apnea and to predict the type of oral appliance selected, providing decision-making support to patients. Real-life data were utilized, including polysomnography data, patient medical history, and responses to a short questionnaire about sleeping habits. The machine learning algorithms applied are Random Forest, XGBoost and SVM for both multiclass (type of oral appliance) and binary (treatment with oral appliance or non-treatment) classification. Other techniques applied include feature selection, cross-validation, and synthetic oversampling with for both multiclass and binary classification. In conclusion, among the machine learning models applied, Random Forest and XGBoost showcased more stability, unlike SVM. However, neither model demonstrated strong predictive value regarding the choice of treatment. The study’s findings address the research gap in the literature regarding the patients’ preferences for oral appliance treatment. Even though the results of the models occurred from a small dataset and from one specific clinic, Random Forest and XGBoost showed mediocre to low balanced predictive accuracy for patients who chose oral appliance treatment, and thus, in the future, they can be trained on a bigger set of data and be used as screening tools for oral appliance treatment acceptance."]},{"key":"dc:title","label":"Title","values":["Εφαρμογή αλγορίθμων μηχανικής μάθησης για την υποστήριξη θεραπευτικής απόφασης και την πρόβλεψη χρήσης ενδοστοματικού νάρθηκα σε ασθενείς με υπνική άπνοια"]}]}],"canonical_facts":{"dc:creator":["Βλασσοπούλου Άρτεμις","Vlassopoulou Artemis"],"dc:date":["2026"],"dc:description":["Η υπνική άπνοια είναι μία χρόνια αναπνευστική διαταραχή και αποτελεί σήμερα ένα παγκόσμιο πρόβλημα υγείας. Παρά την βαρύτητα της νόσου, καθώς συσχετίζεται με την εμφάνιση άλλων αγγειολογικών και μεταβολικών διαταραχών, παραμένει υποδιαγνωσμένη. Η θεραπεία της περιλαμβάνει την χρήση μηχανήματος CPAP ή ενδοστοματικού νάρθηκα. Ιδιαίτερα την τελευταία δεκαετία, αλγόριθμοι τεχνητής νοημοσύνης και μηχανικής μάθησης έχουν εφαρμοστεί πάνω σε δεδομένα ασθενών που πάσχουν από υπνική άπνοια, για την πρόβλεψη της διάγνωσης της διαταραχής ή της αποτελεσματικότητας της θεραπείας. Σκοπός της συγκεκριμένης διπλωματικής εργασίας αποτελεί η διερεύνηση της εφαρμογής αλγορίθμων μηχανικής μάθησης για την πρόβλεψη της επιλογής χρήσης ή μη ενδοστοματικού νάρθηκα για την θεραπεία της υπνικής άπνοιας και για την πρόβλεψη επιλογής του είδους του νάρθηκα για την υποστήριξη της θεραπευτικής απόφασης του ασθενή. Αξιοποιήθηκαν πραγματικά δεδομένα που περιλαμβάνουν παραμέτρους από πολυσωματοκαταγραφικές μελέτες ύπνου (PSG), το ιατρικό ιστορικό και απαντήσεις από ένα σύντομο ερωτηματολόγιο υπνηλίας. Εφαρμόστηκαν οι αλγόριθμοι μηχανικής μάθησης Random Forest, XGBoost και Support Vector Machines τόσο για την πολυκατηγορική πρόβλεψη (τύπος νάρθηκα) όσο και για τη δυαδική πρόβλεψη (επιλογή ή μη θεραπείας με νάρθηκα). Εφαρμόστηκαν, επίσης, τεχνικές επιλογής χαρακτηριστικών, διασταυρούμενης επικύρωσης και επίδρασης της εξισορρόπησης δεδομένων με την τεχνική SMOTE, στο πολυκατηγορικό και στο δυαδικό ζητούμενο διερεύνησης. Συμπερασματικά, από τα μοντέλα μηχανικής μάθησης που εφαρμόστηκαν ο Random Forest και ο XGBoost έδειξαν περισσότερη σταθερότητα σε σχέση με τον SVM, αλλά κανένα μοντέλο δεν έδειξε προβλεπτική ικανότητα επιλογής της θεραπείας άνω του. Τα ευρήματα της μελέτης συμπληρώνουν το ερευνητικό κενό στη βιβλιογραφία σχετικά με την προτίμηση επιλογής θεραπείας του ασθενή. Παρόλο που τα αποτελέσματα των μοντέλων προέκυψαν τυχαία από μικρό δείγμα και από ένα οδοντιατρικό οι αλγόριθμοι Random Forest και XGBoost παρουσίασαν μέτρια με χαμηλή ισορροπημένη ακρίβεια πρόβλεψης ασθενών που έλαβαν νάρθηκα και για αυτό θα μπορούσαν μελλοντικά να εκπαιδευτούν σε περισσότερα δεδομένα και να χρησιμοποιηθούν ως εργαλεία αρχικής εκτίμησης (screening) δεκτικότητας σε θεραπεία με νάρθηκα.","Sleep Apnea is a chronic respiratory disorder and today it has become a worldwide health issue. Despite its severity, it remains underdiagnosed, even though it is associated with the prevalence of other cardiovascular and metabolic diseases. Treatment of sleep apnea includes CPAP or oral appliances. Especially in the last decade, artificial intelligence and machine learning algorithms have been applied on data of sleep apnea patients to diagnose sleep apnea or predict treatment outcomes. The main objective of this study is to investigate the application of machine learning algorithms to predict the use or non-use of oral appliance therapy for the treatment of sleep apnea and to predict the type of oral appliance selected, providing decision-making support to patients. Real-life data were utilized, including polysomnography data, patient medical history, and responses to a short questionnaire about sleeping habits. The machine learning algorithms applied are Random Forest, XGBoost and SVM for both multiclass (type of oral appliance) and binary (treatment with oral appliance or non-treatment) classification. Other techniques applied include feature selection, cross-validation, and synthetic oversampling with for both multiclass and binary classification. In conclusion, among the machine learning models applied, Random Forest and XGBoost showcased more stability, unlike SVM. However, neither model demonstrated strong predictive value regarding the choice of treatment. The study’s findings address the research gap in the literature regarding the patients’ preferences for oral appliance treatment. Even though the results of the models occurred from a small dataset and from one specific clinic, Random Forest and XGBoost showed mediocre to low balanced predictive accuracy for patients who chose oral appliance treatment, and thus, in the future, they can be trained on a bigger set of data and be used as screening tools for oral appliance treatment acceptance."],"dc:identifier":["uoadl:5362496","https://pergamos.lib.uoa.gr/uoa/dl/object/5362496"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Επιστήμες Υγείας","Health Sciences"],"dc:title":["Εφαρμογή αλγορίθμων μηχανικής μάθησης για την υποστήριξη θεραπευτικής απόφασης και την πρόβλεψη χρήσης ενδοστοματικού νάρθηκα σε ασθενείς με υπνική άπνοια"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-07-24T01:01:58Z"}