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.
(EL)
This thesis deals with the use of artificial intelligence for the analysis of pharmacokinetic
data.More specifically, the use of artificial intelligence in pharmacokinetics has opened up new
perspectives for the analysis and interpretation of these data. The thesis focuses on the examination
of various artificial intelligence methods, such as machine learning algorithms, for the analysis
and prediction of pharmacokinetic parameters, with Random Forest and Principal Component
Analysis being the most important representatives.Specifically, the paper analyzes three datasets
through which the pharmacokinetic parameters necessary for this study, such as area under the
curve (AUC) and time of maximum concentration (Cmax), were calculated. Then two methods of
artificial intelligence data analysis are used: first Principal Component Analysis and then Random
Forest. This can be applied to a dataset containing information from previous bioequivalence
studies and then performed on new data.The results of the work demonstrate that the use of
artificial intelligence can lead to an understanding of the relationship between pharmacokinetic
parameters and what each actually expresses. This will lead to the development of parameters that
correctly express the extent and rate of absorption, which can then be incorporated for use in
bioequivalence studies and the personalization of pharmacotherapy.Finally, the work offers
prospects for future extensions and improvements in this area. Further research can focus on
examining different machine learning algorithms, incorporating more parameters and data, and
evaluating the effectiveness of the proposed methods in clinical studies.
(EN)
/aggregator-openarchives/portal/institutions/uoa
