Τεχνητή Νοημοσύνη και Μεταμοσχεύσεις Καρδιάς και Πνεύμονα: Διερεύνηση και Ανάλυση των Επιπτώσεων στην Υγεία και Ποιότητα ζωής των Ασθενών - Συστηματική Βιβλιογραφική Ανασκόπηση

Σαργιώτης, Γεώργιος - Χρυσοβαλάντης

dc.contributor.advisor	Athanasakis, Kostas
dc.contributor.author	Σαργιώτης, Γεώργιος - Χρυσοβαλάντης
dc.date.accessioned	2024-10-22T09:49:52Z
dc.date.available	2024-10-22T09:49:52Z
dc.date.issued	2024-05-05
dc.identifier.uri	https://polynoe.lib.uniwa.gr/xmlui/handle/11400/7847
dc.identifier.uri	http://dx.doi.org/10.26265/polynoe-7679
dc.description.abstract	Εισαγωγή: Η αποτελεσματικότητα και η ικανότητα των μοντέλων τεχνητής νοημοσύνης να προβλέπουν τα μετα-μεταμοσχευτικά αποτελέσματα υγείας, είναι υπό αμφισβήτηση. Το αντικείμενο αυτής της συστηματικής ανασκόπησης ήταν να αξιολογηθεί η απόδοση διαφορετικών μοντέλων τεχνητής νοημοσύνης στην πρόβλεψη των αποτελεσμάτων υγείας μετά τη μεταμόσχευση καρδιάς ή πνευμόνων. Μέθοδοι και Υλικά: Ερευνήθηκαν διαδικτυακές βάσεις δεδομένων, συγκεντρώθηκαν και αναλύθηκαν δεδομένα σχετικά με τις μετρήσεις απόδοσης των μοντέλων τεχνητής νοημοσύνης σε μεταμοσχεύσεις καρδιάς ή πνευμόνων. Επιπλέον, διενεργήθηκε μελέτη αξιολόγησης του κινδύνου μεροληψίας. Αποτελέσματα: Από τις 122 αρχικές μελέτες, 15 μελέτες συμπεριλήφθηκαν στην ανάλυση. Τα μοντέλα τεχνητής νοημοσύνης έδειξαν υψηλή απόδοση, με μετρήσεις για τη διάκριση, όπως η περιοχή κάτω από την καμπύλη ROC που κυμαίνεται από 0,620 έως 0,921 και καλή βαθμονόμηση για μακροπρόθεσμα αποτελέσματα. Τα μοντέλα Random Forest και Extreme Gradient Boosting ξεπέρασαν τα άλλα μοντέλα και ιδιαίτερα τα παραδοσιακά γραμμικά μοντέλα. Το κυρίαρχο επιμέρους δείγμα ήταν λευκοί άντρες από τις ΗΠΑ, ενώ οι παιδιατρικοί πληθυσμοί εξαιρέθηκαν από την ανάλυση. Οι περισσότερες από τις μελέτες κατέδειξαν υψηλό συνολικό κίνδυνο μεροληψίας, ενώ η εφαρμοσιμότητα στα ερευνητικά ερωτήματα έδειξε χαμηλό κίνδυνο μεροληψίας. Συμπεράσματα: Τα μοντέλα μηχανικής μάθησης αποδίδουν αρκετά καλά στην πρόβλεψη των αποτελεσμάτων υγείας μετά τη μεταμόσχευση, αν και είναι σημαντικό να ληφθούν υπόψη οι προκαταλήψεις και τα ηθικά διλήμματα που προκύπτουν από τις εφαρμογές των μοντέλων τεχνητής νοημοσύνης σε μεταμοσχεύσεις, προκειμένου να εξαχθούν ασφαλή συμπεράσματα.	el
dc.format.extent	132	el
dc.language.iso	en	el
dc.publisher	Πανεπιστήμιο Δυτικής Αττικής	el
dc.rights	Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές	*
dc.rights	Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές	*
dc.rights	Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/	*
dc.subject	Mεταμόσχευση καρδιάς	el
dc.subject	Μεταμόσχευση πνεύμονα	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Τεχνητή νοημοσύνη	el
dc.subject	Αποτελέσματα υγείας	el
dc.subject	Heart transplantation	el
dc.subject	Lung transplantation	el
dc.subject	Machine learning	el
dc.subject	Artificial intelligence	el
dc.subject	Health outcomes	el
dc.title	Τεχνητή Νοημοσύνη και Μεταμοσχεύσεις Καρδιάς και Πνεύμονα: Διερεύνηση και Ανάλυση των Επιπτώσεων στην Υγεία και Ποιότητα ζωής των Ασθενών - Συστηματική Βιβλιογραφική Ανασκόπηση	el
dc.title.alternative	Artificial Intelligence and Heart - Lung Transplantations: Processing and Analysis of the Impact on Patient’s Health and Quality of Life - Systematic Literature Review	el
dc.type	Μεταπτυχιακή διπλωματική εργασία	el
dc.contributor.committee	PAVI, ELPIDA
dc.contributor.committee	Sergentanis, Theodoros N.
dc.contributor.faculty	Σχολή Δημόσιας Υγείας	el
dc.contributor.department	Τμήμα Πολιτικών Δημόσιας Υγείας	el
dc.contributor.master	Δημόσιας Υγείας	el
dc.description.abstracttranslated	Background: Artificial Intelligence models’ efficacy and capacity to predict post-transplant health complications have been disputed over the last few years. The scope of this systematic review was to assess the performance of different AI models in the prediction of heart and lung post-transplant health outcomes. Methods and Materials: Online databases have been researched. Data about performance metrics of AI applications in heart and lung transplantations have been gathered and analyzed. Additionally, a risk of bias assessment was conducted. Results: Of the 122 initial studies, 15 studies were included in the synthesis. The AI models showed high performance, with metrics for discrimination such as the Area Under the Receiver Operating Curve ranging from 0.620 to 0.921, and good calibration for long term outcomes. Random Forest and Extreme Gradient Boosting models outperformed other models and especially traditional linear models. North-American, white people were the predominant subsample and pediatric populations were excluded from the analysis. Most of the studies demonstrated a high overall risk of bias, while applicability to research questions showed low risk of bias. Conclusions: Supervised Machine Learning models perform pretty well in predicting post-transplant health outcomes, though it is critical to consider the biases and ethical concerns that arise from the applications of AI models in transplantations, in order to draw safe conclusions.	el

Files in this item

Name:: Sargiotis_21080.pdf
Size:: 3.793Mb
Format:: PDF
Description:: Main article

View/Open

This item appears in the following Collection(s)

Μεταπτυχιακές διπλωματικές εργασίες - Δημόσια Υγεία
Μεταπτυχιακές διπλωματικές εργασίες ΠΜΣ Δημόσια Υγεία

Show simple item record

Except where otherwise noted, this item's license is described as
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές