1. Αρχική σελίδα
  2. Αναζήτηση

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

Το τεκμήριο παρέχεται από τον φορέα :
Πανεπιστήμιο Δυτικής Αττικής (ΠΑ.Δ.Α.)   

Αποθετήριο :
Πολυνόη - Ιδρυματικό Αποθετήριο Πανεπιστημίου Δυτικής Αττικής   

δείτε την πρωτότυπη σελίδα τεκμηρίου
στον ιστότοπο του αποθετηρίου του φορέα για περισσότερες πληροφορίες και για να δείτε όλα τα ψηφιακά αρχεία του τεκμηρίου*



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
Τμήμα Πολιτικών Δημόσιας Υγείας
PAVI, ELPIDA
Sergentanis, Theodoros N.
Δημόσιας Υγείας
Σχολή Δημόσιας Υγείας
Athanasakis, Kostas
Μεταπτυχιακή διπλωματική εργασία
2024-05-05
2024-10-22T09:49:52Z
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.
Health outcomes
Μεταμόσχευση πνεύμονα
Τεχνητή νοημοσύνη
Heart transplantation
Μηχανική μάθηση
Lung transplantation
Machine learning
Mεταμόσχευση καρδιάς
Αποτελέσματα υγείας
Artificial intelligence
Αγγλική γλώσσα
Πανεπιστήμιο Δυτικής Αττικής
ΣΧΟΛΗ ΔΗΜΟΣΙΑΣ ΥΓΕΙΑΣ - Τμήμα Πολιτικών Δημόσιας Υγείας - Μεταπτυχιακές διπλωματικές εργασίες - Δημόσια Υγεία
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές
http://creativecommons.org/licenses/by-nc-nd/4.0/
Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές
Πανεπιστήμιο Δυτικής Αττικής (ΠΑ.Δ.Α.)
Πολυνόη - Ιδρυματικό Αποθετήριο Πανεπιστημίου Δυτικής Αττικής
Τμήμα Πολιτικών Δημόσιας Υγείας
ΣΧΟΛΗ ΔΗΜΟΣΙΑΣ ΥΓΕΙΑΣ
Μεταπτυχιακές διπλωματικές εργασίες - Δημόσια Υγεία



*Η εύρυθμη και αδιάλειπτη λειτουργία των διαδικτυακών διευθύνσεων των συλλογών (ψηφιακό αρχείο, καρτέλα τεκμηρίου στο αποθετήριο) είναι αποκλειστική ευθύνη των αντίστοιχων Φορέων περιεχομένου.