{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3463082"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3463082","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Πρόβλεψη λοιμώξεων με χρήση υπολογιστικής νοημοσύνης","abstract":"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.","abstract_html":"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.","abstract_has_math":false,"creators":["Διονυσοπούλου Βασιλική","Dionysopoulou Vasiliki"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2025,"date_issued":"2025","date_published":"2025","updated_at":"2026-11-19T06:31:54Z","subjects":["Επιστήμες Υγείας","Health Sciences"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3463082"],"render_values":[{"text":"uoadl:3463082","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3463082","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3463082","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%3A3463082","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Διονυσοπούλου Βασιλική","Dionysopoulou Vasiliki"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2025"]},{"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:3463082","https://pergamos.lib.uoa.gr/uoa/dl/object/3463082"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["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.","Introduction: Various datasets have been used to predict infectious diseases. The problem with infectious diseases is their unpredictability, as multiple factors influence the process of infection and transmission. Aim: The aim of the present systematic review is to investigate whether early prediction of infectious disease outbreaks is possible using computational intelligence. Methodology: The present study is a systematic review of the literature. The literature search was conducted through the online databases PubMed and Google Scholar, with a publication date later than 2018. The search terms used were: “computational intelligence”. \"artificial intelligence\", \"machine learning\", \"epidemiology\", \"infectious diseases\", \"infections\", \"predictive models\". These search terms were conducted in conjunction using conjunctions such as “OR” and “AND” as appropriate. Results: A total of 16 studies were included, which were conducted after 2018. Of these, 3 studies were conducted in China, 1 study in the United States, 1 study in Iran, 1 study in India, 1 study in Mexico, 1 study in Turkey, 1 study in Brazil, 1 study in Vietnam, 1 study in Europe, 1 study in Malaysia, and the rest were conducted in Singapore – Taiwan – Japan – Thailand and Norway – Sweden – Australia – United States – Japan – Israel. Most of the studies were related to Dengue, while the rest investigated malaria, brucellosis, Zika virus, Crimean-Congo hemorrhagic fever, varicella, West Nile virus, hepatitis E, Clostridium difficile, COVID-19 disease, acute respiratory infection, foot-and-mouth disease, campylobacteriosis, Q-fever and typhoid fever. The AI predictive tools used were ARIMAX, GLARMA, XGB, LSTM – Seq2Seq, LSTM – ATT, LSTM, RF, SARIMA, SVR – L, CNN, TF, TrAdaBoost, NN, SVR, ConvLSTM, ARIMA, PROPHET , naïve Bayes, RBF, MLP, SoS, FFNN, SVM, LR, LibSVM, J48, AdaBoost (M1), BRT, LightGBM LR, KNN, CatBoost, Keras, GPR, RFR and LASSO. In the majority of them, the studies showed that the tools - computational intelligence models could be used effectively in the prediction of the studied infectious diseases, an exception is one study that showed that the models of multiple computational intelligence can yield only moderate results. Furthermore, a study showed that the GPR model can achieve better results than the two most commonly used standard computational intelligence algorithms (BRT and RFR). Conclusions: The results showed that by correlating multiple computational intelligence models, it is possible to spatially and temporally predict the trends and/or incidence of many infectious diseases, with future research efforts potentially enabling the construction of more accurate and more plausible models. For future research, it is suggested to incorporate computational intelligence models to improve the accuracy of existing standard epidemiological models."]},{"key":"dc:title","label":"Title","values":["Πρόβλεψη λοιμώξεων με χρήση υπολογιστικής νοημοσύνης"]}]}],"canonical_facts":{"dc:creator":["Διονυσοπούλου Βασιλική","Dionysopoulou Vasiliki"],"dc:date":["2025"],"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.","Introduction: Various datasets have been used to predict infectious diseases. The problem with infectious diseases is their unpredictability, as multiple factors influence the process of infection and transmission. Aim: The aim of the present systematic review is to investigate whether early prediction of infectious disease outbreaks is possible using computational intelligence. Methodology: The present study is a systematic review of the literature. The literature search was conducted through the online databases PubMed and Google Scholar, with a publication date later than 2018. The search terms used were: “computational intelligence”. \"artificial intelligence\", \"machine learning\", \"epidemiology\", \"infectious diseases\", \"infections\", \"predictive models\". These search terms were conducted in conjunction using conjunctions such as “OR” and “AND” as appropriate. Results: A total of 16 studies were included, which were conducted after 2018. Of these, 3 studies were conducted in China, 1 study in the United States, 1 study in Iran, 1 study in India, 1 study in Mexico, 1 study in Turkey, 1 study in Brazil, 1 study in Vietnam, 1 study in Europe, 1 study in Malaysia, and the rest were conducted in Singapore – Taiwan – Japan – Thailand and Norway – Sweden – Australia – United States – Japan – Israel. Most of the studies were related to Dengue, while the rest investigated malaria, brucellosis, Zika virus, Crimean-Congo hemorrhagic fever, varicella, West Nile virus, hepatitis E, Clostridium difficile, COVID-19 disease, acute respiratory infection, foot-and-mouth disease, campylobacteriosis, Q-fever and typhoid fever. The AI predictive tools used were ARIMAX, GLARMA, XGB, LSTM – Seq2Seq, LSTM – ATT, LSTM, RF, SARIMA, SVR – L, CNN, TF, TrAdaBoost, NN, SVR, ConvLSTM, ARIMA, PROPHET , naïve Bayes, RBF, MLP, SoS, FFNN, SVM, LR, LibSVM, J48, AdaBoost (M1), BRT, LightGBM LR, KNN, CatBoost, Keras, GPR, RFR and LASSO. In the majority of them, the studies showed that the tools - computational intelligence models could be used effectively in the prediction of the studied infectious diseases, an exception is one study that showed that the models of multiple computational intelligence can yield only moderate results. Furthermore, a study showed that the GPR model can achieve better results than the two most commonly used standard computational intelligence algorithms (BRT and RFR). Conclusions: The results showed that by correlating multiple computational intelligence models, it is possible to spatially and temporally predict the trends and/or incidence of many infectious diseases, with future research efforts potentially enabling the construction of more accurate and more plausible models. For future research, it is suggested to incorporate computational intelligence models to improve the accuracy of existing standard epidemiological models."],"dc:identifier":["uoadl:3463082","https://pergamos.lib.uoa.gr/uoa/dl/object/3463082"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Επιστήμες Υγείας","Health Sciences"],"dc:title":["Πρόβλεψη λοιμώξεων με χρήση υπολογιστικής νοημοσύνης"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:31:54Z"}