Η παρούσα εργασία επικεντρώνεται στην ανάπτυξη μιας διαδικτυακής εφαρμογής

πρόβλεψης καρδιακής προσβολής με τη χρήση τεχνητής νοημοσύνης. Σκοπός της είναι η

έγκαιρη αναγνώριση πιθανότητας εμφράγματος, ώστε να συμβάλλει στην πρόληψη και

προστασία της ανθρώπινης ζωής μέσω άμεσης ενημέρωσης του χρήστη σχετικά με τον

προσωπικό του καρδιολογικό κίνδυνο.

Η μεθοδολογία βασίζεται σε ένα ερωτηματολόγιο το οποίο καλείται να συμπληρώσει ο

χρήστης, περιλαμβάνοντας δημογραφικά στοιχεία (ηλικία, φύλο) και ιατρικές παραμέτρους

όπως τύπος καρδιακού πόνου, αρτηριακή πίεση ηρεμίας, επίπεδα σακχάρου, ιστορικό

στηθάγχης κατά την άσκηση, τιμές χοληστερόλης, αποτελέσματα

ηλεκτροκαρδιογραφήματος, μέγιστο καρδιακό ρυθμό κατά την άσκηση και πτώση του ST

τμήματος. Οι απαντήσεις αποστέλλονται στον εξυπηρετητή (server), όπου αξιολογούνται

μέσω αλγορίθμου μηχανικής μάθησης που έχει εκπαιδευτεί στο δημόσιο σύνολο δεδομένων

(dataset) Prediction of Heart Attack Dataset. Η εφαρμογή έχει αναπτυχθεί με χρήση των

τεχνολογιών Django (back-end) και React (front-end).

Κατά τη φάση αξιολόγησης, το μοντέλο πέτυχε μεταξύ άλλων μετρικών ακρίβεια

πρόβλεψης 75.82% και AUC (Area Under Curve) 0.829. Τα στοιχεία αυτά υποδηλώνουν

ικανοποιητική διακριτική ικανότητα μεταξύ περιστατικών υψηλού και χαμηλού κινδύνου,

λαμβάνοντας υπόψη ότι το μοντέλο εκπαιδεύτηκε σε ιατρικά δεδομένα.

Disclaimer: Τονίζεται ότι η εφαρμογή αποτελεί ένα χρήσιμο εργαλείο υποστήριξης στην

πρωτογενή πρόληψη καρδιακής προσβολής αλλά δεν υποκαθιστά τη διάγνωση από ιατρό.

Αναπτύχθηκε με σκοπό να συμβάλει σημαντικά στην έγκαιρη αναγνώριση κινδύνου και

την ενίσχυση της ενημέρωσης του πληθυσμού σχετικά με κρίσιμους καρδιολογικούς

δείκτες.

This study focuses on the development of a web-based application for heart attack

prediction using artificial intelligence. Its primary objective is the early identification of

potential heart attack risk, aiming to support prevention efforts and safeguard human life by

providing users with timely information regarding their personal cardiovascular risk.

The methodology is based on a questionnaire that the user completes, which includes

demographic information (age, gender) and medical parameters such as chest pain type,

resting blood pressure, blood sugar levels, history of exercise-induced angina, cholesterol

values, electrocardiogram results, maximum heart rate during exercise, and ST segment

depression. The responses are sent to a server, where they are evaluated by a machine

learning algorithm trained on the publicly available Prediction of Heart Attack Dataset. The

application is built using Django for the back end and React for the front end.

During the evaluation phase, the model achieved a prediction accuracy of 75.82% and an

AUC (Area Under the Curve) score of 0.829 among other metrics. These results indicate a

satisfactory discriminatory ability between high-risk and low-risk cases, especially

considering the medical nature of the dataset used for training.

Disclaimer: It is highlighted this application offers a valuable support tool for the

primary prevention of heart attacks and not with the aim to replace a medical diagnosis. It

is an aiding tool that aims to contribute significantly to the early detection of risk and the

broader public’s awareness of critical cardiovascular indicators.