Ανάπτυξη ενός ασφαλούς συστήματος υποστήριξης κλινικών αποφάσεων με χρήση τεχνολογιών μηχανικής μάθησης και Blockchain

Απλή σελίδα τεκμηρίου
dc.contributor.advisorΚαραμπίδης, Κωνσταντίνοςel
dc.contributor.advisorKarampidis, Konstantinosen
dc.contributor.authorΜπιτζαράκης, Γεώργιοςel
dc.contributor.authorBitzarakis, Georgiosen
dc.date.accessioned2026-11-03T12:45:45Z
dc.date.available2026-11-03T12:45:45Z
dc.date.issued2026-11-02
dc.description.abstractΗ παρούσα διπλωματική διατριβή επικεντρώνεται στη σχεδίαση και την υλοποίηση ενός καινοτόμου Συστήματος Υποστήριξης Κλινικών Αποφάσεων που συνδυάζει τρεις τεχνολογίες αιχμής, τη Τεχνητή Νοημοσύνη μέσω του κλάδου της Μηχανικής Μάθησης, τη νεοεμφανιζόμενη τεχνολογία κατανεμημένων συστημάτων Blockchain και σύγχρονα εργαλεία δημιουργίας διαδικτυακών εφαρμογών. Για την πειραματική παρουσίαση της πραγματοποιήθηκε εστίαση στο κλινικό σύνδρομο της Καρδιακής Ανεπάρκειας, η οποία ακόμη και σήμερα αποτελεί μια από τις κρισιμότερες αιτίες νοσηρότητας και θνησιμότητας παγκοσμίως, καθιστώντας την πρόωρη πρόγνωση του κινδύνου σημαντική για τη κλινική καθημερινότητα. Παρά την ακρίβεια των σύγχρονων αλγορίθμων Μηχανικής Μάθησης, η υιοθέτηση τους από την κλινική κοινότητα παρεμποδίζεται εξαιτίας του προβλήματος του «μαύρου κουτιού», προκαλώντας την ανησυχία των κλινικών σχετικά με την ερμηνευσιμότητα, εγκυρότητα και ακεραιότητα των ιατρικών δεδομένων. Για την αντιμετώπιση των προαναφερόμενων προκλήσεων, στην παρακάτω εργασία προτείνονται λύσεις με την μορφή αρχιτεκτονικής τριών επιπέδων. Για την κάλυψη της εγκυρότητας, αξιοποιήθηκε η διεθνώς αναγνωρισμένη βάση ιατρικών δεδομένων MIMIC-IV για την εκπαίδευση τεσσάρων μοντέλων, με τη βελτιστοποίηση των υπερπαραμέτρων να πραγματοποιείται με τη βιβλιοθήκη Optuna. Η ερμηνευσιμότητα επιτυγχάνεται με τη ενσωμάτωση της βιβλιοθήκης εξηγήσιμης τεχνητής νοημοσύνης SHAP που παρέχει στους ιατρούς διαφανείς επεξηγήσεις στις διαγνώσεις σε τοπικό και καθολικό επίπεδο. Παράλληλα για την διασφάλιση της ακεραιότητας και ιδιωτικότητας, ενσωματώνεται η τεχνολογία Blockchain μέσω έξυπνων συμβολαίων στη γλώσσα προγραμματισμού Solidity, εφαρμόζοντας έλεγχο πρόσβασης βάσει ρόλων και ιδιαίτερη έμφαση δίνεται στη συμμόρφωση με τον Γενικό Κανονισμό Προστασίας Δεδομένων, που χρησιμοποιήθηκαν δομές δεδομένων όπως τα Merkle δέντρα για την εξισορρόπηση μεταξύ της προστασίας και τα ταχύτητας των συναλλαγών. Τα αποτελέσματα της υπάρχουσας προτεινόμενης πλατφόρμας καταδεικνύουν την ταυτόχρονη επίτευξη υψηλής προγνωστικής ακρίβειας, της κλινικής ερμηνευσιμότητας και την αμετάβλητη καταγραφή δεδομένων σε ένα ενιαίο σύστημα λήψης αποφάσεων, δίνοντας επιπλέον τη δυνατότητα επέκτασης του σε περισσότερες ιατρικές εφαρμογές.el
dc.description.abstractThis master’s thesis focuses on the design and implementation of an innovative Clinical Decision Support System that integrates three cutting-edge technologies: Artificial Intelligence through Machine Learning, the emerging field of Blockchain distributed systems, and modern web application development tools. The experimental focus of this research is on Heart Failure, a clinical syndrome that remains a leading cause of morbidity and mortality worldwide, making early risk prediction vital for daily clinical practice. Despite the high accuracy of modern Machine Learning algorithms, their clinical adoption is often hindered by the "black box" problem, raising concerns among healthcare professionals regarding the explainability, validity, and integrity of medical data. To address these challenges, this thesis proposes a solution in the form of a three-layer architecture. To ensure validity, the internationally recognized MIMIC-IV medical database was utilized to train four candidate models, with hyperparameter optimization performed using the Optuna library. Explainability is achieved through the integration of the SHAP framework, providing clinicians with transparent, local, and global explanations for each diagnosis. Concurrently, to ensure data integrity and privacy, Blockchain technology is integrated via Smart Contracts authored in the Solidity programming language. The system implements Role-Based Access Control and places significant emphasis on compliance with the General Data Protection Regulation, utilizing data structures such as Merkle Trees to achieve a balance between data protection and transaction efficiency. The results of the proposed platform demonstrate the simultaneous achievement of high predictive accuracy, clinical explainability, and immutable data logging within a unified decision-making environment. Furthermore, this architecture offers significant scalability and potential for expansion to a wider range of medical applications.en
dc.identifier.urihttps://apothesis.hmu.gr/handle/123456789/11798
dc.language.isoel
dc.publisherΕΛΜΕΠΑ, Πολυτεχνική Σχολή, Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
dc.subjectΜηχανική μάθηση
dc.subjectΚαρδιακή ανεπάρκεια
dc.subjectΓενικός κανονισμός για την προστασία των δεδομένων
dc.subjectΤεχνητή νοημοσύνη
dc.subjectΣύστημα υποστήριξης κλινικών αποφάσεων
dc.subjectMachine learning
dc.subjectHeart failure
dc.subjectGeneral data protection regulation
dc.subjectArtificial intelligence
dc.subjectClinical decision support systems
dc.subjectBlockchain
dc.titleΑνάπτυξη ενός ασφαλούς συστήματος υποστήριξης κλινικών αποφάσεων με χρήση τεχνολογιών μηχανικής μάθησης και Blockchainel
dc.titleDevelopment of a secure clinical decision support system using machine learning and blockchain technologiesen
dc.typeΠτυχιακή Εργασία
heal.academicPublisherIDΕΛΜΕΠΑ Ελληνικό Μεσογειακό Πανεπιστήμιο
Αρχεία
Πρωτότυπος φάκελος/πακέτο
Τώρα δείχνει 1 - 1 of 1
Μικρογραφία εικόνας
Ονομα:
BitzarakisGeorgios2026.pdf
Μέγεθος:
7.71 MB
Μορφότυπο:
Adobe Portable Document Format
Λήψη
Φάκελος/Πακέτο αδειών
Τώρα δείχνει 1 - 1 of 1
Δεν υπάρχει διαθέσιμη μικρογραφία
Ονομα:
license.txt
Μέγεθος:
2.17 KB
Μορφότυπο:
Item-specific license agreed upon to submission
Περιγραφή:
Λήψη
Συλλογές
Πτυχιακές εργασίες / Bachelor Theses