Η μεταπτυχιακή αυτή διπλωματική εργασία έχει ως στόχο την μελέτη και ανάλυση
των βασικών μεθόδων, τεχνικών και μετρικών μεγεθών που μπορούν να
εφαρμοστούν με σκοπό την βελτίωση της αποτελεσματικότητας πρόγνωσης και
διάγνωσης καρδιακών παθήσεων και καρδιακής ανεπάρκειας σε ένα άτομο. Τέτοιες
μελέτες, όπως και η συγκεκριμένη διπλωματική εργασία, συμπεριλαμβάνουν μεταξύ
άλλων, αντικείμενα ανάλυσης όπως είναι η μέτρηση μεγεθών καρδιακής απόδοσης,
οι καρδιακοί βιοδείκτες, οι γενετικοί παράγοντες οι οποίοι σχετίζονται με τις
καρδιακές παθήσεις καθώς και ο συνδυασμός πολλαπλών τέτοιων παραγόντων για
την εξαγωγή συμπερασμάτων και για την αποτελεσματική δημιουργία μοντέλων
πρόβλεψης.
Η σημερινή πραγματικότητα, η οποία χαρακτηρίζεται από πολυπλοκότητα και
συνεχείς αλλαγές έχει καταστήσει δυνατή την συλλογή πολύ μεγάλου όγκου
δεδομένων, γεγονός το οποίο είναι ιδιαίτερα σημαντικό για την εξαγωγή σωστών
συμπερασμάτων κατά την δημιουργία και βελτιστοποίηση μεθόδων που αφορούν
την πρόγνωση και διάγνωση καρδιολογικών παθήσεων. Ωστόσο, ο μεγάλος όγκος
αυτός των δεδομένων τα οποία πρέπει να αναλυθούν καθιστά απαραίτητη την
υπολογιστική ανάλυση αυτών, η οποία θα επιτρέψει την σωστή επιλογή των πιο
χρήσιμων παραγόντων σε ό,τι αφορά την μελέτη των καρδιακών παθήσεων, την
εύρεση των αλληλοσυσχετίσεων τις οποίες αυτοί παρουσιάζουν, και την δημιουργία
μοντέλων πρόβλεψης και διάγνωσης με την χρήση αυτών. Στην παρούσα εργασία,
εκτός από την μελέτη των βασικών ανατομικών και λειτουργικών χαρακτηριστικών
της ανθρώπινης καρδιάς και των ιδιαιτεροτήτων των διαφόρων καρδιακών
παθήσεων, πραγματοποιείται υπολογιστική ανάλυση δεδομένων ασθενών με σκοπό
την μελέτη της στατιστικής σημαντικότητας και της χρησιμότητας παραγόντων όπως
οι καρδιακοί βιοδείκτες, οι παθολογικές καταστάσεις οι οποίες σχετίζονται με τις
καρδιακές παθήσεις κ.α., σχετικά με την χρήση τους σε εφαρμογές πρόγνωσης και
διάγνωσης καρδιακών παθήσεων. Επιπλέον, με την χρήση των δεδομένων των
ασθενών, κατασκευάζονται στο πλαίσιο της υλοποίησης προγνωστικών και
διαγνωστικών εφαρμογών, μοντέλα μηχανικής μάθησης (λογιστικό μοντέλο,
μοντέλο δέντρου απόφασης κ.α.) τα οποία στην συνέχεια αναλύονται λεπτομερώς
και συγκρίνονται ως προς την απόδοσή τους.

The purpose of the current master’s thesis lies to the study and analysis of the basic
methods, techniques and metrics that can be utilized for improving the efficiency
regarding the prognosis and diagnosis of cardiovascular diseases and heart failure.
Studies similar to the current thesis include analysis of subjects such as metrics of
cardiac function efficiency, cardiac biomarkers, genetic factors related to
cardiovascular diseases as well as combinations of such factors for extrapolating valid
conclusions and creating prediction models.
In today’s reality, which is characterized by complexity and constant changes, it is
achievable to collect and store large amounts of data (big data), which is especially
important in regards to reaching to the right conclusions while in the process of
creating and improving methods concerning the prognosis and diagnosis of heart
diseases. Nevertheless, this large amount of data that has to be analyzed makes the use
of computational analysis imperative in order to detect those factors that are deemed
useful when it comes to the study of heart diseases, to find correlations between the
factors under study and to implement these factors in the prognostic and diagnostic
efforts. In the current Thesis assignment, in addition to the study of the basic
anatomical and functional features of the human heart and the specific aspects of the
different kinds of heart diseases, computational analysis is implemented for a number
of datasets of patient data with the goal of studying the statistical significance and
usefulness of factors such as cardiac biomarkers, pathological aspects related to heart
diseases etc in regards to their implementation in prognostic and diagnostic
applications on heart diseases. Furthermore, patients’ data are implemented for
building machine learning models (Logistic Model, Decision Tree model etc) for
prognostic and diagnostic purposes. These models are then analysed and compared
with each other regarding their efficiency.