Μοντέλα Μηχανικής Μάθησης για την Έγκαιρη Πρόβλεψη-Διάγνωση του Σακχαρώδους Διαβήτη. Η Πορεία και οι Επιπλοκές της Νόσου.

Abstract

Ο σακχαρώδης διαβήτης είναι μια χρόνια και περίπλοκη ασθένεια, η οποία εμφανίζεται όταν ο οργανισμός δεν μπορεί να ελέγξει τα επίπεδα γλυκόζης στο αίμα. Υπάρχουν τρία είδη διαβήτη: ο σακχαρώδης διαβήτης τύπου 1, ο σακχαρώδης διαβήτης τύπου 2 και ο διαβήτης κύησης. Η έγκαιρη διάγνωση του σακχαρώδους διαβήτη είναι απαραίτητη για την διαχείριση της νόσου, αλλά και για την πρόληψη των σοβαρών επιπλοκών που μπορεί να δημιουργήσει (καρδιαγγειακές παθήσεις, νεφροπάθεια, τύφλωση κτλ.). Ένα από τα πιο αποτελεσματικά και πολλά υποσχόμενα εργαλεία για την έγκαιρη διάγνωση της ασθένειας είναι η μηχανική μάθηση. Με τους κατάλληλους αλγορίθμους, η μηχανική μάθηση δύναται να διαδραματίσει βασικό ρόλο στην ανάπτυξη μοντέλων για τον γρήγορο και αποτελεσματικό χειρισμό των ιατρικών φακέλων και εξετάσεων, την πρόβλεψη αλλά και τη θεραπεία των χρόνιων νοσημάτων, όπως είναι και ο σακχαρώδης διαβήτης. Η συγκεκριμένη διπλωματική εργασία αφορά την ανάπτυξη του θεωρητικού υπόβαθρου των αλγορίθμων μηχανικής μάθησης, τη βιβλιογραφική αναδρομή και μελέτη ερευνών που έχουν πραγματοποιηθεί και την αξιολόγηση των επιδόσεων των αλγορίθμων για τη διάγνωση του σακχαρώδη διαβήτη μέσω συνόλων δεδομένων όπως είναι η βάση δεδομένων PIMA Indians Diabetes Database. Με την βοήθεια της γλώσσας προγραμματισμού Python και τη χρήση κατάλληλων βιβλιοθηκών μηχανικής μάθησης (scikit-learn, pandas κτλ), αναπτύχθηκε πρόγραμμα που προσομοιώνει και παράγει μετρήσεις με τη χρήση διαφόρων μοντέλων μηχανικής μάθησης, συγκρίνει τα αποτελέσματα μέσω γραφικών παραστάσεων και συμπεραίνει την αποτελεσματικότητά τους. Λέξεις κλειδιά: Σακχαρώδης Διαβήτης, Μηχανική Μάθηση, Επιβλεπόμενη Μάθηση, Μη Επιβλεπόμενη Μάθηση, Ενισχυτική Μάθηση, Linear Regression, Logistic Regression, Decision Trees, Random Forests, SVM, k-NN, Naive Bayes, K-Means, Q-Learning, PIMA Indians, Python