Μοντελοποίηση παιδικής παχυσαρκίας με χρήση ερμηνεύσιμης τεχνητής νοημοσύνης

Abstract

Η παιδική παχυσαρκία αποτελεί προδιαθεσικό παράγοντα για την εμφάνιση χρόνιων νοσημάτων (π.χ. σακχαρώδης διαβήτης, καρδιαγγειοπάθεια κ.ά.) μετά την ενηλικίωση, ενώ προκαλεί επιπτώσεις και στην ψυχική υγεία. Συνεκτιμώντας και τη μεγάλη εξάπλωσή της σε παγκόσμιο επίπεδο, καθίσταται αναγκαία η εύρεση αποτελεσματικών παρεμβάσεων για τη διαχείρισή της. Η μεγάλη πρόκληση που έχουν να αντιμετωπίσουν τα πλάνα παρέμβασης είναι η συμμόρφωση στις ιατρικές συστάσεις. Για αυτόν τον λόγο, προτείνεται η χρήση τεχνολογιών κινητής υγείας και τεχνητής νοημοσύνης. Στο πλαίσιο της παρούσας διπλωματικής, διερευνήθηκαν τεχνικές ερμηνεύσιμης τεχνητής νοημοσύνης και ενισχυτικής μάθησης τόσο για την διαστρωμάτωση των παιδιών ως προς το βαθμό συμμόρφωσης στο πλάνο θεραπείας, όσο και για την παραγωγή εξατομικευμένου περιεχομένου για την μετέπειτα προβολή του στους τελικούς χρήστες υπολογιστικών οικοσυστημάτων διαχείρισης της παιδικής παχυσαρκίας. Πιο συγκεκριμένα, στο πρώτο μέρος της εργασίας αναπτύσσονται μοντέλα επιβλεπόμενης μηχανικής μάθησης βασισμένης σε δέντρα αποφάσεων για την πρόβλεψη του βαθμού συμμόρφωσης χρησιμοποιώντας δεδομένα πρώτης επίσκεψης, κατά την έναρξη του πλάνου παρέμβασης. Στο δεύτερο σκέλος, χρησιμοποιείται ενισχυτική μάθηση για την εκμάθηση της βέλτιστης πολιτικής αποστολής προτρεπτικών και εκπαιδευτικών μηνυμάτων με στόχο τη μεγιστοποίηση της συμμόρφωσης και τη βελτιστοποίηση της έκβασης της θεραπείας. Σε όλη την έκταση της εργασίας, δίνεται έμφαση στην ερμηνευσιμότητα των εφαρμοζόμενων τεχνικών μηχανικής μάθησης.