{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3337898"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3337898","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Μέθοδοι βασισμένοι σε τεχνητή νοημοσύνη για την διάγνωση κολπικής μαρμαρυγής: Συστηματική ανασκόπηση - μετανάλυση / Artificial intelligence - based methods for the diagnosis of atrial fibrillation: a systematic review and meta-analysis","abstract":"Η κολπική μαρμαρυγή είναι η πιο συχνή εμμένουσα αρρυθμία παγκοσμίως και σχετίζεται με αυξημένο κίνδυνο εγκεφαλικού και καρδιακής ανεπάρκειας. Η έγκαιρη διάγνωση και αντιμετώπισής της, μπορεί να οδηγήσει σε σημαντική μείωση των επιπλοκών. Μέθοδοι που χρησιμοποιούν τεχνητή νοημοσύνη στην υγεία αναπτύσσονται με ταχύτατο ρυθμό και μπορούν να αποτελέσουν ένα ακόμα εργαλείο για την ανίχνευση κολπικής μαρμαρυγής. Σκοπός της μελέτης είναι η συστηματική ανασκόπηση – μετανάλυση της διαγνωστικής ικανότητας των μεθόδων αυτών για την ανίχνευση κολπικής μαρμαρυγής. Δύο ανεξάρτητοι ερευνητές συμμετείχαν στην διαλογή των μελετών, οι οποίες προέκυψαν από 4 βάσεις δεδομένων, μετά την εφαρμογή προκαθορισμένου αλγορίθμου αναζήτησης. Στη συνέχεια, έγινε εξαγωγή των δεδομένων για τις επιλεγμένες μελέτες και ελέγχθηκε ο κίνδυνος συστηματικού σφάλματος και εφαρμοσιμότητας, μέσω του εργαλείου QUADAS-2. Επίσης έγινε ποιοτική και ποσοτική σύνθεση για την συνολική ευαισθησία και ειδικότητα. Συνολικά προέκυψαν 14770 μελέτες, από τις οποίες τελικά 31 επιλέχθηκαν. Οι δύο κύριες μέθοδοι που αναλύθηκαν ήταν η φωτοπληθυσμογραφία (PPG), όπου εμφάνισε συνολική ευαισθησία 95.1% και ειδικότητα 96.2%, και το ηλεκτροκαρδιογράφημα 1 απαγωγής (single-lead ECG), όπου εμφάνισε συνολική ευαισθησία 92.3% και ειδικότητα 96.2%. Επίσης, παρουσιάστηκαν μέθοδοι που χρησιμοποιούν τροποποιημένη σφυγμομανομετρία (modified sphygmomanometry), ανίχνευση σφυγμού, ενώ μία μελέτη διερεύνησε τον συνδυασμό PPG με single-lead ECG. Τέλος παρουσιάστηκαν τα unclassified/ unreadable αποτελέσματα, τα οποία παρουσίασαν σημαντική ετερογένεια. Οι μέθοδοι τεχνητής νοημοσύνης για την ανίχνευση κολπικής μαρμαρυγής αποδεικνύονται αξιόπιστες και μπορούν να αποτελέσουν χρήσιμο εργαλείο για τον ιατρό. Παρόλα αυτά, περισσότερες μελέτες χρειάζονται για τον καθορισμό του τρόπου με τον οποίο θα χρησιμοποιούνται.","abstract_html":"Η κολπική μαρμαρυγή είναι η πιο συχνή εμμένουσα αρρυθμία παγκοσμίως και σχετίζεται με αυξημένο κίνδυνο εγκεφαλικού και καρδιακής ανεπάρκειας. Η έγκαιρη διάγνωση και αντιμετώπισής της, μπορεί να οδηγήσει σε σημαντική μείωση των επιπλοκών. Μέθοδοι που χρησιμοποιούν τεχνητή νοημοσύνη στην υγεία αναπτύσσονται με ταχύτατο ρυθμό και μπορούν να αποτελέσουν ένα ακόμα εργαλείο για την ανίχνευση κολπικής μαρμαρυγής. Σκοπός της μελέτης είναι η συστηματική ανασκόπηση – μετανάλυση της διαγνωστικής ικανότητας των μεθόδων αυτών για την ανίχνευση κολπικής μαρμαρυγής. Δύο ανεξάρτητοι ερευνητές συμμετείχαν στην διαλογή των μελετών, οι οποίες προέκυψαν από 4 βάσεις δεδομένων, μετά την εφαρμογή προκαθορισμένου αλγορίθμου αναζήτησης. Στη συνέχεια, έγινε εξαγωγή των δεδομένων για τις επιλεγμένες μελέτες και ελέγχθηκε ο κίνδυνος συστηματικού σφάλματος και εφαρμοσιμότητας, μέσω του εργαλείου QUADAS-2. Επίσης έγινε ποιοτική και ποσοτική σύνθεση για την συνολική ευαισθησία και ειδικότητα. Συνολικά προέκυψαν 14770 μελέτες, από τις οποίες τελικά 31 επιλέχθηκαν. Οι δύο κύριες μέθοδοι που αναλύθηκαν ήταν η φωτοπληθυσμογραφία (PPG), όπου εμφάνισε συνολική ευαισθησία 95.1% και ειδικότητα 96.2%, και το ηλεκτροκαρδιογράφημα 1 απαγωγής (single-lead ECG), όπου εμφάνισε συνολική ευαισθησία 92.3% και ειδικότητα 96.2%. Επίσης, παρουσιάστηκαν μέθοδοι που χρησιμοποιούν τροποποιημένη σφυγμομανομετρία (modified sphygmomanometry), ανίχνευση σφυγμού, ενώ μία μελέτη διερεύνησε τον συνδυασμό PPG με single-lead ECG. Τέλος παρουσιάστηκαν τα unclassified/ unreadable αποτελέσματα, τα οποία παρουσίασαν σημαντική ετερογένεια. Οι μέθοδοι τεχνητής νοημοσύνης για την ανίχνευση κολπικής μαρμαρυγής αποδεικνύονται αξιόπιστες και μπορούν να αποτελέσουν χρήσιμο εργαλείο για τον ιατρό. Παρόλα αυτά, περισσότερες μελέτες χρειάζονται για τον καθορισμό του τρόπου με τον οποίο θα χρησιμοποιούνται.","abstract_has_math":false,"creators":["Μανέτας-Σταυρακάκης Νικόλαος","Manetas-Stavrakakis Nikolaos"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2023,"date_issued":"2023","date_published":"2023","updated_at":"2026-11-19T06:22:58Z","subjects":["Επιστήμες Υγείας","Health Sciences"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3337898"],"render_values":[{"text":"uoadl:3337898","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3337898","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3337898","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A3337898","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Μανέτας-Σταυρακάκης Νικόλαος","Manetas-Stavrakakis Nikolaos"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2023"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Επιστήμες Υγείας","Health Sciences"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3337898","https://pergamos.lib.uoa.gr/uoa/dl/object/3337898"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η κολπική μαρμαρυγή είναι η πιο συχνή εμμένουσα αρρυθμία παγκοσμίως και σχετίζεται με αυξημένο κίνδυνο εγκεφαλικού και καρδιακής ανεπάρκειας. Η έγκαιρη διάγνωση και αντιμετώπισής της, μπορεί να οδηγήσει σε σημαντική μείωση των επιπλοκών. Μέθοδοι που χρησιμοποιούν τεχνητή νοημοσύνη στην υγεία αναπτύσσονται με ταχύτατο ρυθμό και μπορούν να αποτελέσουν ένα ακόμα εργαλείο για την ανίχνευση κολπικής μαρμαρυγής. Σκοπός της μελέτης είναι η συστηματική ανασκόπηση – μετανάλυση της διαγνωστικής ικανότητας των μεθόδων αυτών για την ανίχνευση κολπικής μαρμαρυγής. Δύο ανεξάρτητοι ερευνητές συμμετείχαν στην διαλογή των μελετών, οι οποίες προέκυψαν από 4 βάσεις δεδομένων, μετά την εφαρμογή προκαθορισμένου αλγορίθμου αναζήτησης. Στη συνέχεια, έγινε εξαγωγή των δεδομένων για τις επιλεγμένες μελέτες και ελέγχθηκε ο κίνδυνος συστηματικού σφάλματος και εφαρμοσιμότητας, μέσω του εργαλείου QUADAS-2. Επίσης έγινε ποιοτική και ποσοτική σύνθεση για την συνολική ευαισθησία και ειδικότητα. Συνολικά προέκυψαν 14770 μελέτες, από τις οποίες τελικά 31 επιλέχθηκαν. Οι δύο κύριες μέθοδοι που αναλύθηκαν ήταν η φωτοπληθυσμογραφία (PPG), όπου εμφάνισε συνολική ευαισθησία 95.1% και ειδικότητα 96.2%, και το ηλεκτροκαρδιογράφημα 1 απαγωγής (single-lead ECG), όπου εμφάνισε συνολική ευαισθησία 92.3% και ειδικότητα 96.2%. Επίσης, παρουσιάστηκαν μέθοδοι που χρησιμοποιούν τροποποιημένη σφυγμομανομετρία (modified sphygmomanometry), ανίχνευση σφυγμού, ενώ μία μελέτη διερεύνησε τον συνδυασμό PPG με single-lead ECG. Τέλος παρουσιάστηκαν τα unclassified/ unreadable αποτελέσματα, τα οποία παρουσίασαν σημαντική ετερογένεια. Οι μέθοδοι τεχνητής νοημοσύνης για την ανίχνευση κολπικής μαρμαρυγής αποδεικνύονται αξιόπιστες και μπορούν να αποτελέσουν χρήσιμο εργαλείο για τον ιατρό. Παρόλα αυτά, περισσότερες μελέτες χρειάζονται για τον καθορισμό του τρόπου με τον οποίο θα χρησιμοποιούνται.","Introduction: Atrial fibrillation is the most common sustained arrhythmia worldwide and is related with increased risk of heart failure and stroke. Early detection and treatment can reduce its complications. Artificial Intelligence (A.I.) – based methods in healthcare are developing quickly and can be proved valuable for the detection of atrial fibrillation. Aim The aim of this study is the systematic review – metanalysis of the diagnostic accuracy of these methods regarding the diagnosis of atrial fibrillation. Methods Two independent investigators conducted the screening of the studies, which were found on 4 databases, after searching with a predefined search strategy. Then, data from the selected studies were extracted, and risk of bias and applicability were assessed by using the QUADAS-2 tool. In addition, we performed qualitative and quantitively synthesis to calculate the pooled sensitivity and specificity. Results In total, 14770 studies were initially identified, from which 31 were selected in the end. The 2 major methods identified were the photoplethysmography (PPG) and single-lead ECG. The former resulted in pooled sensitivity 95.1% και specificity 96.2%, and the latter 92.3% and 96.2% respectively. In addition, miscellaneous methods, such as the modified sphygmomanometry, heart rate variability and the combination of PPG and single-lead ECG were described. Lastly, the unclassified/ unreadable results, which showed significant heterogeneity, were described as well. Conclusion A.I. – based methods for the diagnosis of atrial fibrillation are proven accurate and can be a useful tool for physicians. However, further studies will be needed to determine the context that these methods will be used."]},{"key":"dc:title","label":"Title","values":["Μέθοδοι βασισμένοι σε τεχνητή νοημοσύνη για την διάγνωση κολπικής μαρμαρυγής: Συστηματική ανασκόπηση - μετανάλυση / Artificial intelligence - based methods for the diagnosis of atrial fibrillation: a systematic review and meta-analysis"]}]}],"canonical_facts":{"dc:creator":["Μανέτας-Σταυρακάκης Νικόλαος","Manetas-Stavrakakis Nikolaos"],"dc:date":["2023"],"dc:description":["Η κολπική μαρμαρυγή είναι η πιο συχνή εμμένουσα αρρυθμία παγκοσμίως και σχετίζεται με αυξημένο κίνδυνο εγκεφαλικού και καρδιακής ανεπάρκειας. Η έγκαιρη διάγνωση και αντιμετώπισής της, μπορεί να οδηγήσει σε σημαντική μείωση των επιπλοκών. Μέθοδοι που χρησιμοποιούν τεχνητή νοημοσύνη στην υγεία αναπτύσσονται με ταχύτατο ρυθμό και μπορούν να αποτελέσουν ένα ακόμα εργαλείο για την ανίχνευση κολπικής μαρμαρυγής. Σκοπός της μελέτης είναι η συστηματική ανασκόπηση – μετανάλυση της διαγνωστικής ικανότητας των μεθόδων αυτών για την ανίχνευση κολπικής μαρμαρυγής. Δύο ανεξάρτητοι ερευνητές συμμετείχαν στην διαλογή των μελετών, οι οποίες προέκυψαν από 4 βάσεις δεδομένων, μετά την εφαρμογή προκαθορισμένου αλγορίθμου αναζήτησης. Στη συνέχεια, έγινε εξαγωγή των δεδομένων για τις επιλεγμένες μελέτες και ελέγχθηκε ο κίνδυνος συστηματικού σφάλματος και εφαρμοσιμότητας, μέσω του εργαλείου QUADAS-2. Επίσης έγινε ποιοτική και ποσοτική σύνθεση για την συνολική ευαισθησία και ειδικότητα. Συνολικά προέκυψαν 14770 μελέτες, από τις οποίες τελικά 31 επιλέχθηκαν. Οι δύο κύριες μέθοδοι που αναλύθηκαν ήταν η φωτοπληθυσμογραφία (PPG), όπου εμφάνισε συνολική ευαισθησία 95.1% και ειδικότητα 96.2%, και το ηλεκτροκαρδιογράφημα 1 απαγωγής (single-lead ECG), όπου εμφάνισε συνολική ευαισθησία 92.3% και ειδικότητα 96.2%. Επίσης, παρουσιάστηκαν μέθοδοι που χρησιμοποιούν τροποποιημένη σφυγμομανομετρία (modified sphygmomanometry), ανίχνευση σφυγμού, ενώ μία μελέτη διερεύνησε τον συνδυασμό PPG με single-lead ECG. Τέλος παρουσιάστηκαν τα unclassified/ unreadable αποτελέσματα, τα οποία παρουσίασαν σημαντική ετερογένεια. Οι μέθοδοι τεχνητής νοημοσύνης για την ανίχνευση κολπικής μαρμαρυγής αποδεικνύονται αξιόπιστες και μπορούν να αποτελέσουν χρήσιμο εργαλείο για τον ιατρό. Παρόλα αυτά, περισσότερες μελέτες χρειάζονται για τον καθορισμό του τρόπου με τον οποίο θα χρησιμοποιούνται.","Introduction: Atrial fibrillation is the most common sustained arrhythmia worldwide and is related with increased risk of heart failure and stroke. Early detection and treatment can reduce its complications. Artificial Intelligence (A.I.) – based methods in healthcare are developing quickly and can be proved valuable for the detection of atrial fibrillation. Aim The aim of this study is the systematic review – metanalysis of the diagnostic accuracy of these methods regarding the diagnosis of atrial fibrillation. Methods Two independent investigators conducted the screening of the studies, which were found on 4 databases, after searching with a predefined search strategy. Then, data from the selected studies were extracted, and risk of bias and applicability were assessed by using the QUADAS-2 tool. In addition, we performed qualitative and quantitively synthesis to calculate the pooled sensitivity and specificity. Results In total, 14770 studies were initially identified, from which 31 were selected in the end. The 2 major methods identified were the photoplethysmography (PPG) and single-lead ECG. The former resulted in pooled sensitivity 95.1% και specificity 96.2%, and the latter 92.3% and 96.2% respectively. In addition, miscellaneous methods, such as the modified sphygmomanometry, heart rate variability and the combination of PPG and single-lead ECG were described. Lastly, the unclassified/ unreadable results, which showed significant heterogeneity, were described as well. Conclusion A.I. – based methods for the diagnosis of atrial fibrillation are proven accurate and can be a useful tool for physicians. However, further studies will be needed to determine the context that these methods will be used."],"dc:identifier":["uoadl:3337898","https://pergamos.lib.uoa.gr/uoa/dl/object/3337898"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Επιστήμες Υγείας","Health Sciences"],"dc:title":["Μέθοδοι βασισμένοι σε τεχνητή νοημοσύνη για την διάγνωση κολπικής μαρμαρυγής: Συστηματική ανασκόπηση - μετανάλυση / Artificial intelligence - based methods for the diagnosis of atrial fibrillation: a systematic review and meta-analysis"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:22:58Z"}