In recent years, spurred by rapid technological advancements, there has been a
pressing need for the development of new applications. This thesis specifically
focuses on creating a web application tailored for diabetic patients. The primary objective is to enhance the interaction between doctors and patients by
providing doctors with daily monitoring capabilities of their patients’ progress
and offering patients a convenient tool for calculating their insulin dosage accurately and swiftly.

To accomplish this, a database was constructed based on the extensive Medical Information Mart for Intensive Care III (MIMIC III) database. Various
predictive methods were employed, including Linear Regression, Random Forest, and Sliding Scale Insulin algorithms, to accurately predict the required
insulin dosage for individual patients.

The web application development utilized Python for the backend logic and
integrated CSS, JavaScript, and HTML for the frontend user interface. SQLite
was chosen as the database management system to store and manage the extensive patient data effectively. This comprehensive approach ensures robust
functionality and user-friendly interaction within the healthcare setting, aiming
to improve diabetes management outcomes in clinical practice.

Τα τελευταία χρόνια, επηρεασμένα από τις ταχείες τεχνολογικές εξελίξεις, υπάρχει επιτακτική ανάγκη για την ανάπτυξη νέων εφαρμογών. Αυτή η διατριβή επικεντρώνεται στη δημιουργία μιας διαδικτυακής εφαρμογής προσαρμοσμένης για ασθενείς με διαβήτη. Ο κύριος στόχος είναι να ενισχυθεί η αλληλεπίδραση μεταξύ γιατρών και ασθενών, προσφέροντας στους γιατρούς καθημερινές δυνατότητες παρακολούθησης της προόδου των ασθενών τους και παρέχοντας στους ασθενείς ένα βολικό εργαλείο για την ακριβή και γρήγορη υπολογισμό της δόσης ινσουλίνης.

Για την επίτευξη αυτού, δημιουργήθηκε μια βάση δεδομένων βασισμένη στη εκτενή βάση δεδομένων Medical Information Mart for Intensive Care III (MIMIC III). Διαφορετικές μεθόδοι πρόβλεψης χρησιμοποιήθηκαν, συμπεριλαμβανομένων των Linear Regression, του Random Forest και των αλγορίθμων Sliding Scale Insulin, για την ακριβή πρόβλεψη της απαιτούμενης δόσης ινσουλίνης για κάθε ασθενή.

Η ανάπτυξη της διαδικτυακής εφαρμογής χρησιμοποίησε Python για τη λογική του backend και ενσωμάτωσε CSS, JavaScript και HTML για τη διεπαφή χρήστη του frontend. Η SQLite επιλέχθηκε ως σύστημα διαχείρισης βάσεων δεδομένων για να αποθηκεύει και να διαχειρίζεται αποτελεσματικά τα εκτενή δεδομένα των ασθενών. Αυτή η ολοκληρωμένη προσέγγιση εξασφαλίζει λειτουργικότητα και φιλική προς το χρήστη αλληλεπίδραση στο υγειονομικό περιβάλλον, με στόχο τη βελτίωση των αποτελεσμάτων διαχείρισης διαβήτη στην κλινική πρακτική.