Ανάπτυξη νευρωνικού δικτύου με κλινικές, εργαστηριακές και εμβρυολογικές παραμέτρους ως μοντέλο πρόβλεψης της έκβασης των κύκλων υποβοηθούμενης αναπαραγωγής

Περίληψη

Εισαγωγή: H Ιατρικώς Υποβοηθούμενη Αναπαραγωγή (Ι.Υ.Α.) αποτελεί επί τέσσερις δεκαετίες ένα ραγδαία εξελισσόμενο κλάδο για την πρόληψη και αντιμετώπιση της υπογονιμότητας, όμως με σταθερά χαμηλά ποσοστά επιτυχίας παγκοσμίως, σε σύγκριση με τα αναμενόμενα ως προς το βαθμό της ιατρικής παρέμβασης στη διαδικασία της ανθρώπινης αναπαραγωγής. Ακολουθώντας τις τεχνολογικές εξελίξεις σε άλλα ιατρικά πεδία, στο πεδίο της Ι.Υ.Α. τα μοντέλα πρόβλεψης έχουν αξιοποιηθεί ελάχιστα ως συμπληρωματικό εργαλείο λήψης ιατρικών αποφάσεων και εκτίμησης πιθανών παραγόντων που συμβάλλον στη θετική ή αρνητική έκβαση της Ι.Υ.Α. αλλά με διαφορετικά επίπεδα ακρίβειας και περιορισμούς που θέτουν όρια στην καθημερινή εφαρμογή τους. Τα πιο εξελιγμένα συστήματα, όπως τα Τεχνητά Νευρωνικά Δίκτυα (Τ.Ν.Δ.) που βασίζονται στη Τεχνητή Νοημοσύνη, επιδεικνύουν ευελιξία με τη δυνατότητα διαρκούς εκμάθησης και αναπροσαρμογής, επιδεικνύοντας παράλληλα σταθερότητα και υψηλή απόδοση, χαρακτηριστικά που υπερτερούν για τη βελτίωσ ...
περισσότερα

Περίληψη σε άλλη γλώσσα

Introduction: Medically Assisted Reproduction (MAR) has completed four decades of development and rapid evolution as a medical field, for the prevention and treatment of infertility, but with consistently low success rates worldwide, compared to the anticipated rate due to the level of medical intervention in the process of human reproduction. Following technological advances in other medical fields, in the MAR field, prediction models have been minimally utilized as a complementary tool for making medical decisions and for the assessment of possible factors that contribute to the positive or negative outcome of assisted reproduction, but with varying levels of precision and limitations that restrict their routine application. More sophisticated systems, such as Artificial Neural Networks (ANN) based on Artifical Intelligence, demonstrate flexibility with the ability to constantly learn from their surroundings and readapt, while demonstrating stability and efficiency, features that ...
περισσότερα

Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.

DOI
10.12681/eadd/44675
Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/44675
ND
44675
Εναλλακτικός τίτλος
Development of an artificial neural network with clinical, laboratory and embryological parameters as a prediction model of the clinical outcome of cycles following assisted reproduction
Συγγραφέας
Βογιατζή, Παρασκευή του Στέφανος
Ημερομηνία
2018
Ίδρυμα
Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών (ΕΚΠΑ). Σχολή Επιστημών Υγείας. Τμήμα Ιατρικής
Εξεταστική επιτροπή
Συριστατίδης Χαράλαμπος
Χρέλιας Χαράλαμπος
Παναγόπουλος Περικλής
Λουτράδης Δημήτριος
Βλάχος Νικόλαος
Δρακάκης Πέτρος
Σιμοπούλου Μαρία
Επιστημονικό πεδίο
Ιατρική και Επιστήμες ΥγείαςΕπιστήμες Υγείας
Λέξεις-κλειδιά
Τεχνητά νευρωνικά δικτύα - ΤΝΔ; Υποβοηθούμενη αναπαραγωγή; Υπογονιμότητα
Χώρα
Ελλάδα
Γλώσσα
Ελληνικά
Άλλα στοιχεία
250 σ., εικ., πιν., χαρτ., σχημ., γραφ.
Ειδικοί όροι χρήσης/διάθεσης
Το έργο παρέχεται υπό τους όρους της δημόσιας άδειας του νομικού προσώπου Creative Commons Corporation:
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
ΧΡΗΣΤΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
Σχετικές εγγραφές (με βάση τις επισκέψεις των χρηστών)