Συντάχθηκε 20-02-2026 15:24
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 24/02/2026 18:00
Λήξη: 24/02/2026 19:00
ΑΝΑΚΟΙΝΩΣΗ ΠΑΡΟΥΣΙΑΣΗΣ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Όνοματεπώνυμο Φοιτητή: Παντελάκης Θεόδωρος.....................................................................
Α.Μ.: 2019050011.........................................................................................
Ημερομηνία Παρουσίασης: 24/2/2025.......................................................
Ώρα: 18:00......................................................................................................
Αίθουσα: https://tuc-gr.zoom.us/j/97533658819?pwd=GJto4hq0s8uCXmhGrehs3aQwTWbfj8.1
Θέμα ΔE «Συσχέτιση και ταξινόμηση ιατρικών δεδομένων με τη βοήθεια μεθόδων Πολυμεταβλητής Στατιστικής»
Title «Correlation and classification of medical data using Multivariate Statistics methods»
Επιβλέπων:…………………………….
Τριμελής Εξεταστική Επιτροπή:
1 Δάρας Τρύφων (επιβλέπων)
2 Βενιέρη Δανάη, καθηγήτρια ΧΗΜΗΠΕΡ
3 Αποστολάκης Ιωάννης, ΕΔΙΠ, Ιατρική Σχολή, ΕΚΠΑ
Περίληψη:
Η παρούσα εργασία πραγματεύεται την εφαρμογή στατιστικών μοντέλων παλινδρόμησης στην ανάλυση ιατρικών δεδομένων, με έμφαση στη μελέτη παραγόντων που σχετίζονται με την καρδιακή λειτουργία και την εμφάνιση καρδιακής νόσου. Στόχος της εργασίας είναι η διερεύνηση και ποσοτική αποτίμηση της σχέσης μεταξύ κλινικών και δημογραφικών μεταβλητών και τόσο συνεχών όσο και δυαδικών ιατρικών εκβάσεων, αξιοποιώντας σύγχρονες μεθόδους στατιστικής μοντελοποίησης.
Αρχικά, παρουσιάζεται το θεωρητικό υπόβαθρο των μαθηματικών και στατιστικών μοντέλων, καθώς και η έννοια της μοντελοποίησης ως διαδικασία μετάβασης από το πραγματικό σύστημα στη μαθηματική του αναπαράσταση. Στη συνέχεια, αναλύονται οι μέθοδοι της πολλαπλής γραμμικής παλινδρόμησης και της λογιστικής παλινδρόμησης, με έμφαση στη μεθοδολογία, την ερμηνεία των παραμέτρων και τα κριτήρια αξιολόγησης της απόδοσης των μοντέλων.
Η πρακτική εφαρμογή των μεθόδων πραγματοποιείται σε πραγματικό σύνολο ιατρικών δεδομένων που σχετίζονται με καρδιαγγειακά χαρακτηριστικά. Η πολλαπλή γραμμική παλινδρόμηση χρησιμοποιείται για τη μελέτη ενός συνεχούς καρδιακού δείκτη, επιτρέποντας την ποσοτική εκτίμηση της επίδρασης επιμέρους παραγόντων, ενώ η λογιστική παλινδρόμηση εφαρμόζεται για την εκτίμηση της πιθανότητας εμφάνισης καρδιακής νόσου. Τα αποτελέσματα καταδεικνύουν ότι και οι δύο μέθοδοι είναι στατιστικά έγκυρες και προσφέρουν αξιόπιστα και ερμηνεύσιμα συμπεράσματα, ανάλογα με τη φύση της εξεταζόμενης έκβασης.
Ιδιαίτερη έμφαση δίνεται στη συγκριτική αξιολόγηση των δύο μεθόδων, μέσα από την οποία αναδεικνύεται ο συμπληρωματικός τους ρόλος στην ανάλυση ιατρικών δεδομένων. Η εργασία καταλήγει στο συμπέρασμα ότι η ορθή επιλογή και εφαρμογή στατιστικών μοντέλων παλινδρόμησης μπορεί να συμβάλει ουσιαστικά στην κατανόηση σύνθετων ιατρικών φαινομένων και στην υποστήριξη τεκμηριωμένων αποφάσεων στον χώρο της υγείας.
Abstract:
This thesis focuses on the application of statistical regression models to the analysis of medical data, with particular emphasis on factors associated with cardiac function and the occurrence of heart disease. The main objective is to investigate and quantitatively assess the relationship between clinical and demographic variables and both continuous and binary medical outcomes, using established statistical modeling techniques.
Initially, the theoretical background of mathematical and statistical models is presented, highlighting the concept of modeling as a process that links real-world systems to their quantitative representations. Subsequently, multiple linear regression and logistic regression are examined with respect to their methodology, parameter interpretation, and model evaluation criteria.
The practical implementation of these methods is carried out using a real-world medical dataset related to cardiovascular characteristics. Multiple linear regression is employed to analyze a continuous cardiac indicator, allowing for the quantitative estimation of the effect of individual predictors. Logistic regression is applied to estimate the probability of heart disease occurrence, providing insight into risk factors through interpretable measures such as odds ratios. The results demonstrate that both methods yield statistically valid and reliable outcomes, depending on the nature of the response variable under investigation.
Special emphasis is placed on the comparative evaluation of the two regression approaches, highlighting their differences, limitations, and complementary roles in medical data analysis. The findings indicate that the appropriate selection and application of regression models can significantly enhance the understanding of complex medical phenomena and support evidence-based decision-making in healthcare.
