Εφαρμογή αλγορίθμων μηχανικής μάθησης για την υποστήριξη θεραπευτικής απόφασης και την πρόβλεψη χρήσης ενδοστοματικού νάρθηκα σε ασθενείς με υπνική άπνοια

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.

Authors dc:creator

• Βλασσοπούλου Άρτεμις
• Vlassopoulou Artemis

• Επιστήμες Υγείας
• Health Sciences

Language dc:language

Ελληνικά, Greek

Identifier

uoadl:5362496

OAI identifier oai:identifier

oai:lib.uoa.gr:uoadl:5362496