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

Artificial Intelligence and Heart - Lung Transplantations: Processing and Analysis of the Impact on Patient’s Health and Quality of Life - Systematic Literature Review

Μεταπτυχιακή διπλωματική εργασία

Author

Σαργιώτης, Γεώργιος - Χρυσοβαλάντης

Date

2024-05-05

Advisor

Athanasakis, Kostas

Main article (3.793Mb)

Keywords

Mεταμόσχευση καρδιάς ; Μεταμόσχευση πνεύμονα ; Μηχανική μάθηση ; Τεχνητή νοημοσύνη ; Αποτελέσματα υγείας ; Heart transplantation ; Lung transplantation ; Machine learning ; Artificial intelligence ; Health outcomes

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.

Abstract

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.