Back to search

National and Kapodistrian University of Athens

Πρόβλεψη λοιμώξεων με χρήση υπολογιστικής νοημοσύνης

Abstract

dc:description

Εισαγωγή: Διάφορα σύνολα δεδομένων έχουν χρησιμοποιηθεί για την πρόβλεψη λοιμωδών νοσημάτων. Το πρόβλημα με τα λοιμώδη νοσήματα είναι η έλλειψη προβλεψιμότητάς τους, καθώς πολλαπλοί παράγοντες επηρεάζουν τη διαδικασία μόλυνσης και μετάδοσης. Σκοπός: Ο στόχος της παρούσας συστηματικής ανασκόπηση είναι να διερευνήσει εάν είναι δυνατή η πρώιμη πρόβλεψη εξάρσεων λοιμωδών νοσημάτων με τη χρήση της υπολογιστικής νοημοσύνης. Μεθοδολογία: Η παρούσα μελέτη είναι συστηματική ανασκόπηση της βιβλιογραφίας. Η αναζήτηση της βιβλιογραφίας διεξήχθη μέσω των ηλεκτρονικών βάσεων δεδομένων PubMed και Google Scholar, με ημερομηνία δημοσίευσης μεταγενέστερη του 2018. Οι όροι αναζήτησης που χρησιμοποιήθηκαν ήταν οι εξής: «υπολογιστική νοημοσύνη». «τεχνητή νοημοσύνη», «μηχανική μάθηση», «επιδημιολογία», «λοιμώδη νοσήματα», «λοιμώξεις», «μοντέλα πρόβλεψης». Αυτοί οι όροι αναζήτησης διεξήχθησαν σε συνδυασμό με τη χρήση συζεύξεων όπως “OR” και “AND” ανά περίπτωση. Αποτελέσματα: Συνολικά συμπεριλήφθηκαν 16 μελέτες, οι οποίες πραγματοποιήθηκαν μετά το 2018. Από αυτές, 3 μελέτες πραγματοποιήθηκαν στην Κίνα, 1 μελέτη στις Ηνωμένες Πολιτείες, 1 μελέτη στο Ιράν, 1 μελέτη στην Ινδία, 1 μελέτη στο Μεξικό, 1 μελέτη στην Τουρκία, 1 μελέτη στην Βραζιλία, 1 μελέτη στο Βιετνάμ, 1 μελέτη στην Ευρώπη, 1 μελέτη στην Μαλαισία, και οι υπόλοιπες πραγματοποιήθηκαν σε Σιγκαπούρη – Ταϊβάν – Ιαπωνία – Ταϊλάνδη και Νορβηγία – Σουηδία – Αυστραλία – Ηνωμένες Πολιτείες – Ιαπωνία – Ισραήλ. Οι περισσότερες από τις μελέτες σχετίζονταν με τον Δάγκειο Πυρετό, ενώ οι υπόλοιπες διερεύνησαν την ελονοσία, τη βρουκέλλωση, τον ιό Ζίκα, τον αιμορραγικό πυρετό Κριμαίας – Κονγκό, την ανεμοβλογιά, τον ιό του Δυτικού Νείλου, την ηπατίτιδα Ε, το Clostridium difficile, την νόσο COVID – 19, την οξεία αναπνευστική λοίμωξη, τον αφθώδη πυρετό, την καμπυλοβακτηρίωση, τονQ – πυρετό και τον τυφοειδή πυρετό. Τα AIεργαλεία πρόβλεψης των λοιμωδών νοσημάτων που χρησιμοποιήθηκαν ήταν ταARIMAX, GLARMA, XGB, LSTM–Seq2Seq, LSTM–ATT, LSTM, RF, SARIMA, SVR–L, CNN, TF, TrAdaBoost, NN,SVR, ConvLSTM, ARIMA, PROPHET, naïveBayes, RBF, MLP, SoS, FFNN, SVM, LR, LibSVM, J48, AdaBoost (M1), BRT, LightGBMLR, KNN, CatBoost, Keras, GPR, RFRκαι LASSO. Στην πλειοψηφία τους, οι μελέτες έδειξαν ότι τα εργαλεία – μοντέλα υπολογιστικής νοημοσύνης θα μπορούσαν να χρησιμοποιηθούν αποτελεσματικά στην πρόβλεψη των μελετώμενων λοιμωδών νοσημάτων, Εξαίρεση αποτελεί μία μελέτη που έδειξε ότι τα μοντέλα πολλαπλής υπολογιστικής νοημοσύνης μπορούν να αποδώσουν μόνο μέτρια αποτελέσματα. Επιπλέον, μία μελέτη έδειξε ότι το μοντέλο GPRμπορεί να πετύχει καλύτερα αποτελέσματα από τους δύο πιο συχνά χρησιμοποιούμενους τυπικούς αλγορίθμους υπολογιστικής νοημοσύνης (BRTκαι RFR). Συμπεράσματα: Τα αποτελέσματα έδειξαν ότι με την συσχέτιση πολλαπλών μοντέλων υπολογιστικής νοημοσύνης, είναι δυνατόν να προβλεφθούν χωρικά και χρονικά οι τάσεις ή / και η συχνότητα εμφάνισης πολλών λοιμωδών νοσημάτων, με τις μελλοντικές ερευνητικές προσπάθειες να δύναται να επιτρέψουν την κατασκευή πιο ακριβών και πιο εύλογων μοντέλων. Για μελλοντική έρευνα, προτείνεται η ενσωμάτωση μοντέλων υπολογιστικής νοημοσύνης για τη βελτίωση της ακρίβειας των υπαρχόντων τυπικών επιδημιολογικών μοντέλων.

Author and committee

dc:creator, dc:contributor.*
Authors dc:creator
  • Διονυσοπούλου Βασιλική
  • Dionysopoulou Vasiliki

Subjects

dc:subject × 2

Rights

Language dc:language
Ελληνικά, Greek

Identifiers

dc:identifier.*
Identifier
uoadl:3463082

Chain of custody

source
Harvested from
National and Kapodistrian University of Athens
Base URL
pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh
Last updated
2026-11-19
Source record
OAI-PMH GetRecord
citation

Διονυσοπούλου Βασιλική; Dionysopoulou Vasiliki. Πρόβλεψη λοιμώξεων με χρήση υπολογιστικής νοημοσύνης. 2025. https://pergamos.lib.uoa.gr/uoa/dl/object/3463082