BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//TUC//Events//EN
CALSCALE:GREGORIAN
BEGIN:VTIMEZONE
TZID:Europe/Athens
TZNAME:EEST
DTSTART:19700329T030000
RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=3
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0300
TZNAME:EET
DTSTART:19701025T040000
RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=10
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
CREATED:20231124T120530Z
LAST-MODIFIED:20231124T120530Z
DTSTAMP:20260418T075042Z
UID:1776487842@tuc.gr
SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. 
 Στυλιανού Νικολακάκη - Σχολή ΗΜΜΥ
LOCATION:
DESCRIPTION:https://www.tuc.gr/el/to-polytechnei
 o/ilektronikes-ypiresies/imerologio/
 imerologio-ekdiloseon-1?tx_tucevents
 2_tuceventsdisplay%5Baction%5D=show&
 tx_tucevents2_tuceventsdisplay%5Bcon
 troller%5D=Event&tx_tucevents2_tucev
 entsdisplay%5Bevent%5D=6633&cHash=83
 ab993ccd615263c34a136723b24718\nΠΟΛΥ
 ΤΕΧΝΕΙΟ ΚΡΗΤΗΣ\n Σχολή Ηλεκτρολόγων 
 Μηχανικών και Μηχανικών Υπολογιστών\
 n Πρόγραμμα Προπτυχιακών Σπουδών\n Π
 ΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Στ
 υλιανού Νικολακάκη\n με θέμα\n Εξόρυ
 ξη δεδομένων από ιατρικές βάσεις δεδ
 ομένων και πρόβλεψη θνησιμότητας βάσ
 ει μηχανικής μάθησης για φλεβική θρο
 μβοεμβολή, έμφραγμα του μυοκαρδίου κ
 αι ισχαιμικό εγκεφαλικό επεισόδιο\n 
 Data mining from medical databases a
 nd machine learning based mortality 
 prediction for venous thromboembolis
 m, myocardial infarction and ischemi
 c stroke\n Εξεταστική Επιτροπή\n Ανα
 πληρωτής Καθηγητής Σωτήριος Ιωαννίδη
 ς (επιβλέπων)\n Καθηγητής Μιχαήλ Λαγ
 ουδάκης\n Καθηγητής Μιχαήλ  Ζερβάκης
 \n Περίληψη\n Οι ασθενείς στη Μονάδα
  Εντατικής Θεραπείας (ΜΕΘ) που πάσχο
 υν από αρτηριακή ή φλεβική θρόμβωση 
 υποφέρουν από υψηλά ποσοστά θνητότητ
 ας. Η πρόβλεψη της θνησιμότητας στη 
 ΜΕΘ είναι μια πρόκληση για την ιατρι
 κή, καθώς υπάρχουν διάφορα συστήματα
  και εργαλεία για αυτόν τον σκοπό. Ω
 στόσο, η ανεπάρκεια στην ειδικότητα 
 αυτών των συστημάτων αποτελεί πρόβλη
 μα. Η παρούσα μελέτη επικεντρώνεται 
 σε τρεις κύριες ομάδες ασθενών, δηλα
 δή ασθενείς με θρόμβωση, ισχαιμικό ε
 γκεφαλικό επεισόδιο ή καρδιακή προσβ
 ολή. Ο κύριος στόχος είναι η ανάπτυξ
 η και επικύρωση ερμηνεύσιμων μοντέλω
 ν Μηχανικής Μάθησης (MΜ) για την πρό
 βλεψη θνησιμότητας, εκμεταλλευόμενα 
 όλα τα διαθέσιμα δεδομένα που αποθηκ
 εύονται στο ιατρικό φάκελο. Για το σ
 κοπό αυτό, χρησιμοποιήθηκαν αναδρομι
 κά δεδομένα από μία βάση δεδομένων π
 ου είναι ελεύθερα προσβάσιμη, την eI
 CU. Εφαρμόστηκαν καθιερωμένοι αλγόρι
 θμοι ΜΜ χρησιμοποιώντας αυτοματοποιη
 μένα και ειδικά κατασκευασμένα πλαίσ
 ια ΜΜ για την αντιμετώπιση της ανισο
 ρροπίας κλάσεων. Η πρόβλεψη πρόωρης 
 θνησιμότητας παρουσίασε εξαιρετική α
 πόδοση σε όλες τις κατηγορίες νόσων,
  όσον αφορά την περιοχή κάτω από το 
 καμπύλο χαρακτηριστικών λειτουργίας 
 παραλαβής (AUC-ROC): VTE 0.87, καρδι
 ακή προσβολή 0.95, ισχαιμικό εγκεφαλ
 ικό επεισόδιο 0.90. Το προγνωστικό μ
 οντέλο θνησιμότητας που αναπτύχθηκε 
 από 4,385 ασθενείς με VTE περιλάμβαν
 ε μια υπογραφή με 475 χαρακτηριστικά
 , ενώ για τους 10,543 ασθενείς με κα
 ρδιακή προσβολή χρησιμοποιήθηκαν 317
  χαρακτηριστικά και για τους 4,326 α
 σθενείς με ισχαιμική εξέταση χρησιμο
 ποιήθηκαν 338 χαρακτηριστικά. Το μον
 τέλο μας υπερτερεί στην πρόβλεψη θνη
 σιμότητας σε σχέση με τα παραδοσιακά
  συστήματα σκοράρισης.\n Abstract \n
  Intensive care unit (ICU) patients 
 with arterial or venous thrombosis s
 uffer from high mortality rates. Mor
 tality prediction in the ICU has bee
 n a major medical challenge for whic
 h several scoring systems exist but 
 lack in specificity. This study focu
 ses on three target groups, namely p
 atients with thrombosis, ischemic st
 roke or myocardial infraction. The m
 ain goal is to develop and validate 
 interpretable machine learning (ML) 
 models to predict mortality, while e
 xploiting all available data stored 
 in the medical record. To this end, 
 retrospective data from one freely a
 ccessible database, eICU, were used.
  Well-established ML algorithms were
  implemented utilizing automated and
  purposely built ML frameworks for a
 ddressing class imbalance. Predictio
 n of early mortality showed excellen
 t performance in all disease categor
 ies, in terms of the area under the 
 receiver operating characteristic cu
 rve (AUC–ROC ): VTE 0.87, myocardial
  infraction 0.95, ischemic stroke 0.
 90. The predictive model of mortalit
 y developed from 4,385 VTE patients 
 ended up with a signature of 475 fea
 tures, 10,543 patients with myocardi
 al infarction using 317 features and
  4,326 patients with ischemic testin
 g on 338 features. Our model outperf
 ormed traditional scoring systems in
  predicting mortality.\n
STATUS:CONFIRMED
ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr
DTSTART:20231128T100000
DTEND:20231128T110000
TRANSP:OPAQUE
CLASS:DEFAULT
END:VEVENT
END:VCALENDAR