{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3419499"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3419499","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Εφαρμογές της μηχανικής μάθησης στη χειρουργική σπονδυλικής στήλης. Ανασκόπηση βιβλιογραφίας","abstract":"Στόχος: Η παρούσα ανασκόπηση προσπάθησε να αναγνωρίσει και να αξιολογήσει όλες τις τρέχουσες εφαρμογές της Tεχνητής Νοημοσύνης/Μηχανικής Μάθησης για τη βελτιστοποίηση της προεγχειρητικής επιλογής ασθενών, καθώς και την πρόβλεψη και τη διαχείριση μετεγχειρητικών αποτελεσμάτων και επιπλοκών στη χειρουργική σπονδυλικής στήλης. Μέθοδος: Διεξήχθη μια ολοκληρωμένη αναζήτηση σχετικών δημοσιεύσεων στις διαδικτυακές βάσεις δεδομένων Scopus, Web of Science και Google scholar χρησιμοποιώντας σχετικές λέξεις-κλειδιά για να μεγιστοποιηθεί η ευαισθησία της αναζήτησης. Δεν τέθηκαν όρια στο επίπεδο των αποδεικτικώ ν στοιχείων ή στη χρονολογία δημοσίευσης των μελετών. Τα ευρήματα επεξεργάστηκαν σύμφωνα με τις οδηγίες PRISMA. Αποτελέσματα: Μετά την εφαρμογή των κριτηρίων ένταξης και αποκλεισμού, 46 μελέτες συμπεριλήφθηκαν σε αυτήν την ανασκόπηση. Τα δίκτυα Bayes είχαν την υψηλότερη μέση τιμή AUC (0,80) και τα νευρωνικά δίκτυα είχαν την καλύτερη ακρίβεια (83,0%), ευαισθησία (81,5%) και ειδικότητα (71,8%). Τα μοντέλα προεγχειρητικού προγραμματισμού και πρόβλεψης κόστους (0,89,82,2%) και τα μοντέλα εξιτηρίου/διάρκειας παραμονής (80,78,0%) ανέφεραν σημαντικά υψηλότερη μέση AUC και ακρίβεια σε σύγκριση με τα μοντέλα πρόβλεψης επανεισόδου/επανεμφάνισης (0,67,70,2%) ( P < 0,001, P = 0,005, αντίστοιχα). Η απόδοση του μοντέλου διέφερε επίσης σημαντικά μεταξύ των εφαρμογών μετεγχειρητικής διαχείρισης για τις μέσες τιμές AUC και ακρίβειας (P <.001, P <.027, αντίστοιχα). Συμπεράσματα: Η ΤΝ/ΜΜ αποτελεί ένα δυνητικά ευεργετικό εργαλείο για τους παρόχους υγείας για τη βελτιστοποίηση της φροντίδας των ασθενών και τη βελτίωση της οικονομικής απόδοσης. Πιο συγκεκριμένα, τα μοντέλα ΤΝ/ΜΜ απέδωσαν καλύτερα, κατά μέσο όρο, στη βελτιστοποίηση της προεγχειρητικής επιλογής ασθενών και τον σχεδιασμό και την πρόβλεψη του κόστους, της εξόδου από το νοσοκομείο και της διάρκειας παραμονής. Ωστόσο, τα μοντέλα δεν ήταν τόσο ακριβή στην πρόβλεψη μετεγχειρητικών επιπλοκών, ανεπιθύμητων συμβάντων και επανεισαγωγών και επανεπεμβάσεων. Η κατανόηση των εφαρμογών που βασίζονται σε ΤΝ/ΜΜ γίνεται όλο και πιο σημαντική, ιδιαίτερα στη χειρουργική της σπονδυλικής στήλης, καθώς ο όγκος της αναφερόμενης βιβλιογραφίας, η προσβασιμότητα της τεχνολογίας και οι κλινικές εφαρμογές συνεχίζουν να επεκτείνονται γρήγορα.","abstract_html":"Στόχος: Η παρούσα ανασκόπηση προσπάθησε να αναγνωρίσει και να αξιολογήσει όλες τις τρέχουσες εφαρμογές της Tεχνητής Νοημοσύνης/Μηχανικής Μάθησης για τη βελτιστοποίηση της προεγχειρητικής επιλογής ασθενών, καθώς και την πρόβλεψη και τη διαχείριση μετεγχειρητικών αποτελεσμάτων και επιπλοκών στη χειρουργική σπονδυλικής στήλης. Μέθοδος: Διεξήχθη μια ολοκληρωμένη αναζήτηση σχετικών δημοσιεύσεων στις διαδικτυακές βάσεις δεδομένων Scopus, Web of Science και Google scholar χρησιμοποιώντας σχετικές λέξεις-κλειδιά για να μεγιστοποιηθεί η ευαισθησία της αναζήτησης. Δεν τέθηκαν όρια στο επίπεδο των αποδεικτικώ ν στοιχείων ή στη χρονολογία δημοσίευσης των μελετών. Τα ευρήματα επεξεργάστηκαν σύμφωνα με τις οδηγίες PRISMA. Αποτελέσματα: Μετά την εφαρμογή των κριτηρίων ένταξης και αποκλεισμού, 46 μελέτες συμπεριλήφθηκαν σε αυτήν την ανασκόπηση. Τα δίκτυα Bayes είχαν την υψηλότερη μέση τιμή AUC (0,80) και τα νευρωνικά δίκτυα είχαν την καλύτερη ακρίβεια (83,0%), ευαισθησία (81,5%) και ειδικότητα (71,8%). Τα μοντέλα προεγχειρητικού προγραμματισμού και πρόβλεψης κόστους (0,89,82,2%) και τα μοντέλα εξιτηρίου/διάρκειας παραμονής (80,78,0%) ανέφεραν σημαντικά υψηλότερη μέση AUC και ακρίβεια σε σύγκριση με τα μοντέλα πρόβλεψης επανεισόδου/επανεμφάνισης (0,67,70,2%) ( P &lt; 0,001, P = 0,005, αντίστοιχα). Η απόδοση του μοντέλου διέφερε επίσης σημαντικά μεταξύ των εφαρμογών μετεγχειρητικής διαχείρισης για τις μέσες τιμές AUC και ακρίβειας (P &lt;.001, P &lt;.027, αντίστοιχα). Συμπεράσματα: Η ΤΝ/ΜΜ αποτελεί ένα δυνητικά ευεργετικό εργαλείο για τους παρόχους υγείας για τη βελτιστοποίηση της φροντίδας των ασθενών και τη βελτίωση της οικονομικής απόδοσης. Πιο συγκεκριμένα, τα μοντέλα ΤΝ/ΜΜ απέδωσαν καλύτερα, κατά μέσο όρο, στη βελτιστοποίηση της προεγχειρητικής επιλογής ασθενών και τον σχεδιασμό και την πρόβλεψη του κόστους, της εξόδου από το νοσοκομείο και της διάρκειας παραμονής. Ωστόσο, τα μοντέλα δεν ήταν τόσο ακριβή στην πρόβλεψη μετεγχειρητικών επιπλοκών, ανεπιθύμητων συμβάντων και επανεισαγωγών και επανεπεμβάσεων. Η κατανόηση των εφαρμογών που βασίζονται σε ΤΝ/ΜΜ γίνεται όλο και πιο σημαντική, ιδιαίτερα στη χειρουργική της σπονδυλικής στήλης, καθώς ο όγκος της αναφερόμενης βιβλιογραφίας, η προσβασιμότητα της τεχνολογίας και οι κλινικές εφαρμογές συνεχίζουν να επεκτείνονται γρήγορα.","abstract_has_math":false,"creators":["Τραγάρης Θεμιστοκλής","Tragaris Themistoklis"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2024,"date_issued":"2024","date_published":"2024","updated_at":"2026-11-19T06:30:29Z","subjects":["Επιστήμες Υγείας","Health Sciences"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3419499"],"render_values":[{"text":"uoadl:3419499","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3419499","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3419499","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%3A3419499","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Τραγάρης Θεμιστοκλής","Tragaris Themistoklis"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2024"]},{"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:3419499","https://pergamos.lib.uoa.gr/uoa/dl/object/3419499"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Στόχος: Η παρούσα ανασκόπηση προσπάθησε να αναγνωρίσει και να αξιολογήσει όλες τις τρέχουσες εφαρμογές της Tεχνητής Νοημοσύνης/Μηχανικής Μάθησης για τη βελτιστοποίηση της προεγχειρητικής επιλογής ασθενών, καθώς και την πρόβλεψη και τη διαχείριση μετεγχειρητικών αποτελεσμάτων και επιπλοκών στη χειρουργική σπονδυλικής στήλης. Μέθοδος: Διεξήχθη μια ολοκληρωμένη αναζήτηση σχετικών δημοσιεύσεων στις διαδικτυακές βάσεις δεδομένων Scopus, Web of Science και Google scholar χρησιμοποιώντας σχετικές λέξεις-κλειδιά για να μεγιστοποιηθεί η ευαισθησία της αναζήτησης. Δεν τέθηκαν όρια στο επίπεδο των αποδεικτικώ ν στοιχείων ή στη χρονολογία δημοσίευσης των μελετών. Τα ευρήματα επεξεργάστηκαν σύμφωνα με τις οδηγίες PRISMA. Αποτελέσματα: Μετά την εφαρμογή των κριτηρίων ένταξης και αποκλεισμού, 46 μελέτες συμπεριλήφθηκαν σε αυτήν την ανασκόπηση. Τα δίκτυα Bayes είχαν την υψηλότερη μέση τιμή AUC (0,80) και τα νευρωνικά δίκτυα είχαν την καλύτερη ακρίβεια (83,0%), ευαισθησία (81,5%) και ειδικότητα (71,8%). Τα μοντέλα προεγχειρητικού προγραμματισμού και πρόβλεψης κόστους (0,89,82,2%) και τα μοντέλα εξιτηρίου/διάρκειας παραμονής (80,78,0%) ανέφεραν σημαντικά υψηλότερη μέση AUC και ακρίβεια σε σύγκριση με τα μοντέλα πρόβλεψης επανεισόδου/επανεμφάνισης (0,67,70,2%) ( P < 0,001, P = 0,005, αντίστοιχα). Η απόδοση του μοντέλου διέφερε επίσης σημαντικά μεταξύ των εφαρμογών μετεγχειρητικής διαχείρισης για τις μέσες τιμές AUC και ακρίβειας (P <.001, P <.027, αντίστοιχα). Συμπεράσματα: Η ΤΝ/ΜΜ αποτελεί ένα δυνητικά ευεργετικό εργαλείο για τους παρόχους υγείας για τη βελτιστοποίηση της φροντίδας των ασθενών και τη βελτίωση της οικονομικής απόδοσης. Πιο συγκεκριμένα, τα μοντέλα ΤΝ/ΜΜ απέδωσαν καλύτερα, κατά μέσο όρο, στη βελτιστοποίηση της προεγχειρητικής επιλογής ασθενών και τον σχεδιασμό και την πρόβλεψη του κόστους, της εξόδου από το νοσοκομείο και της διάρκειας παραμονής. Ωστόσο, τα μοντέλα δεν ήταν τόσο ακριβή στην πρόβλεψη μετεγχειρητικών επιπλοκών, ανεπιθύμητων συμβάντων και επανεισαγωγών και επανεπεμβάσεων. Η κατανόηση των εφαρμογών που βασίζονται σε ΤΝ/ΜΜ γίνεται όλο και πιο σημαντική, ιδιαίτερα στη χειρουργική της σπονδυλικής στήλης, καθώς ο όγκος της αναφερόμενης βιβλιογραφίας, η προσβασιμότητα της τεχνολογίας και οι κλινικές εφαρμογές συνεχίζουν να επεκτείνονται γρήγορα.","Purpose: This current systematic review sought to identify and evaluate all current applications of AI/ML to optimize preoperative patient selection, as well as predict and manage postoperative outcomes and complications. Method: A comprehensive search of publications was conducted through the Scopus, Web of Science and Google scholar databases using relevant keywords to maximize the sensitivity of the search. No limits were placed on the level of evidence or the timing of the study. Findings were reported according to PRISMA guidelines Results: After applying the inclusion and exclusion criteria, 41 studies were included in this review. Bayesian networks had the highest mean AUC (0.80) and neural networks had the best accuracy (83.0%), sensitivity (81.5%) and specificity (71.8%). Preoperative planning/cost prediction models (0.89,82.2%) and discharge/length of stay models (.80,78.0%) reported significantly higher mean AUC and accuracy compared to readmission/recurrence prediction models (0 ,67,70.2%) ( P < 0.001, P = 0.005, respectively). Model performance also differed significantly between post-operative management applications for mean AUC and accuracy values ( P < .001, P < .027, respectively). Conclusions: Overall, the paper's author concluded that AI/ML offers a potentially beneficial tool for providers to optimize patient care and improve financial performance. More specifically, AI/ML models performed better, on average, in optimizing preoperative patient selection and planning and predicting cost, hospital discharge, and length of stay. However, the models were not as accurate in predicting postoperative complications, adverse events, and readmissions and reoperations. Understanding AI/ML-based applications is becoming increasingly important, particularly in spine surgery, as the volume of cited literature, technology accessibility, and clinical applications continue to expand rapidly."]},{"key":"dc:title","label":"Title","values":["Εφαρμογές της μηχανικής μάθησης στη χειρουργική σπονδυλικής στήλης. Ανασκόπηση βιβλιογραφίας"]}]}],"canonical_facts":{"dc:creator":["Τραγάρης Θεμιστοκλής","Tragaris Themistoklis"],"dc:date":["2024"],"dc:description":["Στόχος: Η παρούσα ανασκόπηση προσπάθησε να αναγνωρίσει και να αξιολογήσει όλες τις τρέχουσες εφαρμογές της Tεχνητής Νοημοσύνης/Μηχανικής Μάθησης για τη βελτιστοποίηση της προεγχειρητικής επιλογής ασθενών, καθώς και την πρόβλεψη και τη διαχείριση μετεγχειρητικών αποτελεσμάτων και επιπλοκών στη χειρουργική σπονδυλικής στήλης. Μέθοδος: Διεξήχθη μια ολοκληρωμένη αναζήτηση σχετικών δημοσιεύσεων στις διαδικτυακές βάσεις δεδομένων Scopus, Web of Science και Google scholar χρησιμοποιώντας σχετικές λέξεις-κλειδιά για να μεγιστοποιηθεί η ευαισθησία της αναζήτησης. Δεν τέθηκαν όρια στο επίπεδο των αποδεικτικώ ν στοιχείων ή στη χρονολογία δημοσίευσης των μελετών. Τα ευρήματα επεξεργάστηκαν σύμφωνα με τις οδηγίες PRISMA. Αποτελέσματα: Μετά την εφαρμογή των κριτηρίων ένταξης και αποκλεισμού, 46 μελέτες συμπεριλήφθηκαν σε αυτήν την ανασκόπηση. Τα δίκτυα Bayes είχαν την υψηλότερη μέση τιμή AUC (0,80) και τα νευρωνικά δίκτυα είχαν την καλύτερη ακρίβεια (83,0%), ευαισθησία (81,5%) και ειδικότητα (71,8%). Τα μοντέλα προεγχειρητικού προγραμματισμού και πρόβλεψης κόστους (0,89,82,2%) και τα μοντέλα εξιτηρίου/διάρκειας παραμονής (80,78,0%) ανέφεραν σημαντικά υψηλότερη μέση AUC και ακρίβεια σε σύγκριση με τα μοντέλα πρόβλεψης επανεισόδου/επανεμφάνισης (0,67,70,2%) ( P < 0,001, P = 0,005, αντίστοιχα). Η απόδοση του μοντέλου διέφερε επίσης σημαντικά μεταξύ των εφαρμογών μετεγχειρητικής διαχείρισης για τις μέσες τιμές AUC και ακρίβειας (P <.001, P <.027, αντίστοιχα). Συμπεράσματα: Η ΤΝ/ΜΜ αποτελεί ένα δυνητικά ευεργετικό εργαλείο για τους παρόχους υγείας για τη βελτιστοποίηση της φροντίδας των ασθενών και τη βελτίωση της οικονομικής απόδοσης. Πιο συγκεκριμένα, τα μοντέλα ΤΝ/ΜΜ απέδωσαν καλύτερα, κατά μέσο όρο, στη βελτιστοποίηση της προεγχειρητικής επιλογής ασθενών και τον σχεδιασμό και την πρόβλεψη του κόστους, της εξόδου από το νοσοκομείο και της διάρκειας παραμονής. Ωστόσο, τα μοντέλα δεν ήταν τόσο ακριβή στην πρόβλεψη μετεγχειρητικών επιπλοκών, ανεπιθύμητων συμβάντων και επανεισαγωγών και επανεπεμβάσεων. Η κατανόηση των εφαρμογών που βασίζονται σε ΤΝ/ΜΜ γίνεται όλο και πιο σημαντική, ιδιαίτερα στη χειρουργική της σπονδυλικής στήλης, καθώς ο όγκος της αναφερόμενης βιβλιογραφίας, η προσβασιμότητα της τεχνολογίας και οι κλινικές εφαρμογές συνεχίζουν να επεκτείνονται γρήγορα.","Purpose: This current systematic review sought to identify and evaluate all current applications of AI/ML to optimize preoperative patient selection, as well as predict and manage postoperative outcomes and complications. Method: A comprehensive search of publications was conducted through the Scopus, Web of Science and Google scholar databases using relevant keywords to maximize the sensitivity of the search. No limits were placed on the level of evidence or the timing of the study. Findings were reported according to PRISMA guidelines Results: After applying the inclusion and exclusion criteria, 41 studies were included in this review. Bayesian networks had the highest mean AUC (0.80) and neural networks had the best accuracy (83.0%), sensitivity (81.5%) and specificity (71.8%). Preoperative planning/cost prediction models (0.89,82.2%) and discharge/length of stay models (.80,78.0%) reported significantly higher mean AUC and accuracy compared to readmission/recurrence prediction models (0 ,67,70.2%) ( P < 0.001, P = 0.005, respectively). Model performance also differed significantly between post-operative management applications for mean AUC and accuracy values ( P < .001, P < .027, respectively). Conclusions: Overall, the paper's author concluded that AI/ML offers a potentially beneficial tool for providers to optimize patient care and improve financial performance. More specifically, AI/ML models performed better, on average, in optimizing preoperative patient selection and planning and predicting cost, hospital discharge, and length of stay. However, the models were not as accurate in predicting postoperative complications, adverse events, and readmissions and reoperations. Understanding AI/ML-based applications is becoming increasingly important, particularly in spine surgery, as the volume of cited literature, technology accessibility, and clinical applications continue to expand rapidly."],"dc:identifier":["uoadl:3419499","https://pergamos.lib.uoa.gr/uoa/dl/object/3419499"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Επιστήμες Υγείας","Health Sciences"],"dc:title":["Εφαρμογές της μηχανικής μάθησης στη χειρουργική σπονδυλικής στήλης. Ανασκόπηση βιβλιογραφίας"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:30:29Z"}