Κατεύθυνση Κλινική Φαρμακευτική
Βιβλιοθήκη Σχολής Θετικών Επιστημών

2024-05-16

2024

Διαβολή Σπυριδούλα

Ε. Καραλής, Αναπλ. Καθηγητής Τμήμα Φαρμακευτής ΕΚΠΑ (Επιβλέπων),
Μ. Βλάχου, Αναπλ. Καθηγήτρια Τμήμα Φαρμακευτής ΕΚΠΑ,
Σ. Μαρκαντώνη - Κυρούδη, Καθηγήτρια Τμήμα Φαρμακευτής ΕΚΠΑ

« ΕΦΑΡΜΟΓΗ ΜΕΘΟΔΩΝ ΤΕΧΝΗΤΗΣ ΝΟΗΜΟΣΥΝΗΣ ΣΕ ΦΑΡΜΑΚΟΚΙΝΗΤΙΚΑ ΔΕΔΟΜΕΝΑ »

Ελληνικά

ΕΦΑΡΜΟΓΗ ΜΕΘΟΔΩΝ ΤΕΧΝΗΤΗΣ ΝΟΗΜΟΣΥΝΗΣ ΣΕ ΦΑΡΜΑΚΟΚΙΝΗΤΙΚΑ ΔΕΔΟΜΕΝΑ

Η παρούσα διπλωματική εργασία ασχολείται με τη χρήση της τεχνητής νοημοσύνης για την
ανάλυση φαρμακοκινητικών δεδομένων.
Πιο συγκεκριμένα, η χρήση της τεχνητής νοημοσύνης στη φαρμακοκινητική έχει ανοίξει νέες
προοπτικές για την ανάλυση και την ερμηνεία των δεδομένων αυτών. Η διπλωματική εργασία
επικεντρώνεται στην εξέταση διαφόρων μεθόδων τεχνητής νοημοσύνης, όπως οι αλγόριθμοι
μηχανικής μάθησης, για την ανάλυση και την πρόβλεψη των φαρμακοκινητικών παραμέτρων με
σημαντικότερους εκπροσώπους τη μέθοδο Random Forest και Principal Component Analysis.
Συγκεκριμένα, στην εργασία γίνεται ανάλυση τριών dataset μέσω των οποίων υπολογίστηκαν οι
φαρμακοκινητικές παράμετροι που είναι απαραίτητες για την παρούσα μελέτη, όπως η περιοχή
κάτω από την καμπύλη (AUC) και ο χρόνος μέγιστης συγκέντρωσης (Cmax). Στη συνέχεια
χρησιμοποιούνται δύο μέθοδοι ανάλυσης δεδομένων τεχνητής νοημοσύνης, πρώτα η Principal
Component Analysis και εν συνεχεία η Random Forest. Αυτό μπορεί να εφαρμοστεί σε ένα
σύνολο δεδομένων που περιέχει πληροφορίες από προηγούμενες μελέτες βιοισοδυναμίας και στη
συνέχεια εκτελεί προβλέψεις για νέα δεδομένα.
Τα αποτελέσματα της εργασίας αποδεικνύουν ότι η χρήση της τεχνητής νοημοσύνης μπορεί να να
οδηγήσει στην κατανόηση της σχέσης μεταξύ των φαρμακοκινητικών παραμέτρων και το τι
πραγματικά εκφράζει η καθεμία από αυτές. Αυτό θα οδηγήσει στην ανάπτυξη παραμέτρων που
να εκφράζουν σωστά την έκταση και το ρυθμό απορρόφησης όπου στη συνέχεια μπορούν να
ενταχθούν για χρήση στις μελέτες βιοϊσοδυναμίας και την εξατομίκευση της φαρμακοθεραπείας.
Τέλος, η εργασία προσφέρει προοπτικές για μελλοντικές επεκτάσεις και βελτιώσεις στον τομέα
αυτό. Οι περαιτέρω έρευνες μπορούν να επικεντρωθούν στην εξέταση διαφόρων αλγορίθμων
μηχανικής μάθησης, την ενσωμάτωση περισσότερων παραμέτρων και δεδομένων, καθώς και την
αξιολόγηση της αποτελεσματικότητας των προτεινόμενων μεθόδων σε κλινικές μελέτες.

Θετικές Επιστήμες

Μηχανική μάθηση, Τεχνητή νοημοσύνη, βαθιά μάθηση, Άλαν Τιουρινγκ

Ναι

2

Ναι

33

56

Δεν επιτρέπεται η πρόσβαση στο αρχείο. H πρόσβαση επιτρέπεται μόνο εντός του δικτύου του ΕΚΠΑ.

https://pergamos.lib.uoa.gr/uoa/dl/object/3398779