Η πανδημία COVID-19 έχει παρουσιάσει μια άνευ προηγουμένου παγκόσμια πρόκληση για την υγεία μέχρι και σήμερα, που οδήγησε στην εξαιρετικά ταχεία ανάπτυξη και έκτακτη χρήση εμβολίων κατά της νόσου. Παρά την αποτελεσματικότητά τους, τα εμβόλια μπορεί να προκαλέσουν ανεπιθύμητες αντιδράσεις, απαιτώντας ισχυρά εργαλεία για την πρόβλεψη και τη διαχείριση της σοβαρότητάς τους. Σε αυτή τη διπλωματική εργασία, αναπτύξαμε έναν αλγόριθμο ταξινόμησης μηχανικής μάθησης που στοχεύει στην πρόβλεψη του επιπέδου σοβαρότητας των παρενεργειών των εμβολίων κατά της COVID-19 χρησιμοποιώντας δεδομένα που ανακτήθηκαν από τη βάση δεδομένων EudraVigilance. Η μεθοδολογία μας περιελάμβανε την εκπαίδευση διαφόρων αλγορίθμων ταξινόμησης σε υποσύνολα δεδομένων με αυξανόμενα μεγέθη για την αξιολόγηση της απόδοσης σε διαφορετικά μεγέθη δειγμάτων. Μεταξύ αυτών των αλγορίθμων, ο Random Forest και ο XGBoost παρουσίασαν την πιο υποσχόμενη απόδοση, με τον XGBoost να επιδεικνύει ένα μικρό πλεονέκτημα στην ακρίβεια πρόβλεψης. Στη συνέχεια, εφαρμόσαμε ανάλυση SHAP (SHapley Additive Explanations) στο εκπαιδευμένο μοντέλο XGBoost για να αποσαφηνίσουμε τη σημασία συγκεκριμένων γνωρισμάτων. Τα ευρήματά μας αποκαλύπτουν την ηλικία ως τον πιο κρίσιμο προγνωστικό παράγοντα, υποδεικνύοντας ότι τα ηλικιωμένα άτομα είναι πιο επιρρεπή στο να εμφανίσουν σοβαρές παρενέργειες μετά τον εμβολιασμό. Επιπλέον, συγκεκριμένα συμπτώματα όπως πόνος στο στήθος, υπερευαισθησία, έμετος, δύσπνοια και επιληπτικές κρίσεις, μαζί με το εμβόλιο Moderna, εμφανίστηκαν ως σημαντικοί παράγοντες που σχετίζονται με την αυξημένη σοβαρότητα των αντιδράσεων. Το συγκεκριμένο μοντέλο δύναται να προσφέρει πληροφορίες για δημογραφικούς και συμπτωματικούς παράγοντες που επηρεάζουν τις παρενέργειες των εμβολίων. Με τον εντοπισμό ομάδων υψηλού κινδύνου και συναφών συμπτωμάτων, οι επαγγελματίες υγείας μπορούν να δώσουν προτεραιότητα στις στρατηγικές παρακολούθησης και παρέμβασης, δυνητικά μετριάζοντας τις δυσμενείς εκβάσεις. Επιπρόσθετα, η ενσωμάτωση τεχνικών μηχανικής μάθησης με βάσεις δεδομένων φαρμακοεπαγρύπνησης, όπως η EudraVigilance, αποτελεί ένα ισχυρό εργαλείο για παρακολούθηση και αξιολόγηση κινδύνου σε πραγματικό χρόνο σε μια προσπάθεια παρακολούθησης της ασφάλειας των εμβολίων. Συμπερασματικά, η μελέτη μας υπογραμμίζει τη σημασία της αξιοποίησης των αλγορίθμων μηχανικής μάθησης για να βελτιώσουμε την κατανόησή μας για τα προφίλ ασφάλειας των εμβολίων εν μέσω της πανδημίας COVID-19, και συμβάλλει στις συνεχείς προσπάθειες για τη βελτιστοποίηση των στρατηγικών εμβολιασμού και τη διασφάλιση της ευημερίας των πληθυσμών παγκοσμίως.
(EL)
The COVID-19 pandemic has presented an unprecedented global health challenge, leading to the rapid development and emergency use of vaccines against the disease. Despite their efficacy, vaccines may induce adverse reactions, necessitating robust tools for predicting and managing their severity. In this study, we developed a machine learning classification algorithm aimed at predicting the level of severity of COVID-19 vaccine reactions using data retrieved from the EudraVigilance database. Our methodology involved training various classification algorithms on subsets of data with increasing sizes to evaluate performance across different sample sizes. Among these algorithms, Random Forest and XGBoost exhibited the most promising performance, with XGBoost demonstrating a slight advantage in predictive accuracy. Subsequently, we applied SHAP (SHapley Additive exPlanations) analysis to the trained XGBoost model to elucidate feature importance. Our findings reveal age as the most critical predictor, indicating that older individuals are more prone to experiencing severe vaccine reactions. Furthermore, specific symptoms such as chest pain, hypersensitivity, vomiting, dyspnoea, and seizures, along with the Moderna vaccine, emerged as significant factors associated with heightened severity of reactions. The implications of our model are profound, offering insights into demographic and symptomatic factors influencing vaccine reactions. By identifying high-risk groups and associated symptoms, healthcare professionals can prioritize monitoring and intervention strategies, potentially mitigating adverse outcomes. Moreover, the integration of machine learning techniques with pharmacovigilance databases like EudraVigilance presents a powerful tool for real-time surveillance and risk assessment in vaccine safety monitoring efforts. In conclusion, our study underscores the importance of leveraging machine learning algorithms to enhance our understanding of vaccine safety profiles amidst the COVID-19 pandemic and contributes to the ongoing efforts to optimize vaccination strategies and ensure the well-being of populations worldwide.
(EN)
Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών
