{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5297290"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5297290","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Τεχνητή νοημοσύνη και διαχείριση μεγάλων δεδομένων στις κλινικές μελέτες","abstract":"Εισαγωγή: Οι κλινικές δοκιμές είναι ο πιο αξιόπιστος τρόπος για την απόδειξη της ασφάλειας και της αποτελεσματικότητας μιας νέας θεραπείας. Χρειάζονται, κατά μέσο όρο, 10-15 χρόνια εκ των οποίων 5-6 απαιτούνται για την έρευνα και την ανάπτυξη μιας δραστικής ουσίας και άλλα 5-7 χρόνια για την ολοκλήρωση των κλινικών δοκιμών. Η κυκλοφορία ενός νέου φαρμάκου στην αγορά απαιτεί τεράστιο κόστος στις Η.Π.Α ανέρχεται στα 1.5 – 2 δισεκατομμύρια δόλάρια. Το μεγαλύτερο μέρος των χρημάτων αυτών δαπανάται στις κλινικές δοκιμές και κυρίως στη φάση ΙΙΙ η οποία ξεχωρίζει ως η πλέον χρονοβόρα, σύνθετη και απαιτητική. Τα τελευταία χρόνια, η χρήση της τεχνητής νοημοσύνης και των δεδομένων του πραγματικού κόσμου (RWD), δηλαδή επιστημονικών δεδομένων από διάφορες πηγές, στην υγειονομική περίθαλψη, είναι εργαλεία που θα μπορούσαν να μεταμορφώσουν κάποιες διαδικασίες και να αλλάξουν τον τρόπο με τον οποίο προσεγγίζουμε τις κλινικές δοκιμές. Σκοπός: Σκοπός της παρούσας εργασίας είναι να εξετάσει κατά πόσο η τεχνητή νοημοσύνη και η χρήση των μεγάλων δεδομένων μπορούν να βελτιώσουν τις διάφορες πτυχές των κλινικών μελετών, καθώς και να τονίσει τους περιορισμούς, τους κινδύνους και τα εμπόδια που θα θέσει μελλοντικά μία τόσο νέα και πολυδιάστατη τεχνολογία. Μεθοδολογία: Η παρούσα διπλωματική βασίζεται σε συστηματική βιβλιογραφική ανασκόπηση με στόχο να απαντήσει στα ερευνητικά ερωτήματα. Η αναζήτηση πληροφοριών έγινε σε αξιόπιστες βάσεις δεδομένων όπως Google Scholar, PubMed, Elsevier. Οι λέξεις-κλειδιά που χρησιμοποιήθηκαν ήταν οι εξής: Artificial Intelligence, Clinical trials, Big data, Drug development, Machine Learning, Deep Learning, Omics, Decentralized Clinical Trials, Neuronal Networks και σε πολλές περιπτώσεις έγινε και συνδυασμός των όρων αυτών. Η εργασία βασίστηκε σε άρθρα της χρονικής περιόδου 2014 – 2025 και γραμμένα στην αγγλική και στην ελληνική γλώσσα. Συμπέρασμα / Συζήτηση : Η χρήση της τεχνητής νοημοσύνης στις κλινικές μελέτες παρουσιάζει μεγάλες προοπτικές και αναπτύσσεται γρήγορα, με πολλές μελέτες και άρθρα να υποστηρίζουν ότι η τεχνητή νοημοσύνη μπορεί ξεπεράσει τα εμπόδια που αντιμετωπίζουμε σήμερα στην ανάπτυξη φαρμάκων και να δημιουργήσει ένα μοντέλο ιατρικής έρευνας.","abstract_html":"Εισαγωγή: Οι κλινικές δοκιμές είναι ο πιο αξιόπιστος τρόπος για την απόδειξη της ασφάλειας και της αποτελεσματικότητας μιας νέας θεραπείας. Χρειάζονται, κατά μέσο όρο, 10-15 χρόνια εκ των οποίων 5-6 απαιτούνται για την έρευνα και την ανάπτυξη μιας δραστικής ουσίας και άλλα 5-7 χρόνια για την ολοκλήρωση των κλινικών δοκιμών. Η κυκλοφορία ενός νέου φαρμάκου στην αγορά απαιτεί τεράστιο κόστος στις Η.Π.Α ανέρχεται στα 1.5 – 2 δισεκατομμύρια δόλάρια. Το μεγαλύτερο μέρος των χρημάτων αυτών δαπανάται στις κλινικές δοκιμές και κυρίως στη φάση ΙΙΙ η οποία ξεχωρίζει ως η πλέον χρονοβόρα, σύνθετη και απαιτητική. Τα τελευταία χρόνια, η χρήση της τεχνητής νοημοσύνης και των δεδομένων του πραγματικού κόσμου (RWD), δηλαδή επιστημονικών δεδομένων από διάφορες πηγές, στην υγειονομική περίθαλψη, είναι εργαλεία που θα μπορούσαν να μεταμορφώσουν κάποιες διαδικασίες και να αλλάξουν τον τρόπο με τον οποίο προσεγγίζουμε τις κλινικές δοκιμές. Σκοπός: Σκοπός της παρούσας εργασίας είναι να εξετάσει κατά πόσο η τεχνητή νοημοσύνη και η χρήση των μεγάλων δεδομένων μπορούν να βελτιώσουν τις διάφορες πτυχές των κλινικών μελετών, καθώς και να τονίσει τους περιορισμούς, τους κινδύνους και τα εμπόδια που θα θέσει μελλοντικά μία τόσο νέα και πολυδιάστατη τεχνολογία. Μεθοδολογία: Η παρούσα διπλωματική βασίζεται σε συστηματική βιβλιογραφική ανασκόπηση με στόχο να απαντήσει στα ερευνητικά ερωτήματα. Η αναζήτηση πληροφοριών έγινε σε αξιόπιστες βάσεις δεδομένων όπως Google Scholar, PubMed, Elsevier. Οι λέξεις-κλειδιά που χρησιμοποιήθηκαν ήταν οι εξής: Artificial Intelligence, Clinical trials, Big data, Drug development, Machine Learning, Deep Learning, Omics, Decentralized Clinical Trials, Neuronal Networks και σε πολλές περιπτώσεις έγινε και συνδυασμός των όρων αυτών. Η εργασία βασίστηκε σε άρθρα της χρονικής περιόδου 2014 – 2025 και γραμμένα στην αγγλική και στην ελληνική γλώσσα. Συμπέρασμα / Συζήτηση : Η χρήση της τεχνητής νοημοσύνης στις κλινικές μελέτες παρουσιάζει μεγάλες προοπτικές και αναπτύσσεται γρήγορα, με πολλές μελέτες και άρθρα να υποστηρίζουν ότι η τεχνητή νοημοσύνη μπορεί ξεπεράσει τα εμπόδια που αντιμετωπίζουμε σήμερα στην ανάπτυξη φαρμάκων και να δημιουργήσει ένα μοντέλο ιατρικής έρευνας.","abstract_has_math":false,"creators":["Στεφάνου Αγγελική","Stefanou Angeliki"],"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":"2026-11-19T06:33:04Z","subjects":["Επιστήμες Υγείας","Health Sciences"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5297290"],"render_values":[{"text":"uoadl:5297290","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5297290","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5297290","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%3A5297290","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Στεφάνου Αγγελική","Stefanou Angeliki"]}]},{"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:5297290","https://pergamos.lib.uoa.gr/uoa/dl/object/5297290"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Εισαγωγή: Οι κλινικές δοκιμές είναι ο πιο αξιόπιστος τρόπος για την απόδειξη της ασφάλειας και της αποτελεσματικότητας μιας νέας θεραπείας. Χρειάζονται, κατά μέσο όρο, 10-15 χρόνια εκ των οποίων 5-6 απαιτούνται για την έρευνα και την ανάπτυξη μιας δραστικής ουσίας και άλλα 5-7 χρόνια για την ολοκλήρωση των κλινικών δοκιμών. Η κυκλοφορία ενός νέου φαρμάκου στην αγορά απαιτεί τεράστιο κόστος στις Η.Π.Α ανέρχεται στα 1.5 – 2 δισεκατομμύρια δόλάρια. Το μεγαλύτερο μέρος των χρημάτων αυτών δαπανάται στις κλινικές δοκιμές και κυρίως στη φάση ΙΙΙ η οποία ξεχωρίζει ως η πλέον χρονοβόρα, σύνθετη και απαιτητική. Τα τελευταία χρόνια, η χρήση της τεχνητής νοημοσύνης και των δεδομένων του πραγματικού κόσμου (RWD), δηλαδή επιστημονικών δεδομένων από διάφορες πηγές, στην υγειονομική περίθαλψη, είναι εργαλεία που θα μπορούσαν να μεταμορφώσουν κάποιες διαδικασίες και να αλλάξουν τον τρόπο με τον οποίο προσεγγίζουμε τις κλινικές δοκιμές. Σκοπός: Σκοπός της παρούσας εργασίας είναι να εξετάσει κατά πόσο η τεχνητή νοημοσύνη και η χρήση των μεγάλων δεδομένων μπορούν να βελτιώσουν τις διάφορες πτυχές των κλινικών μελετών, καθώς και να τονίσει τους περιορισμούς, τους κινδύνους και τα εμπόδια που θα θέσει μελλοντικά μία τόσο νέα και πολυδιάστατη τεχνολογία. Μεθοδολογία: Η παρούσα διπλωματική βασίζεται σε συστηματική βιβλιογραφική ανασκόπηση με στόχο να απαντήσει στα ερευνητικά ερωτήματα. Η αναζήτηση πληροφοριών έγινε σε αξιόπιστες βάσεις δεδομένων όπως Google Scholar, PubMed, Elsevier. Οι λέξεις-κλειδιά που χρησιμοποιήθηκαν ήταν οι εξής: Artificial Intelligence, Clinical trials, Big data, Drug development, Machine Learning, Deep Learning, Omics, Decentralized Clinical Trials, Neuronal Networks και σε πολλές περιπτώσεις έγινε και συνδυασμός των όρων αυτών. Η εργασία βασίστηκε σε άρθρα της χρονικής περιόδου 2014 – 2025 και γραμμένα στην αγγλική και στην ελληνική γλώσσα. Συμπέρασμα / Συζήτηση : Η χρήση της τεχνητής νοημοσύνης στις κλινικές μελέτες παρουσιάζει μεγάλες προοπτικές και αναπτύσσεται γρήγορα, με πολλές μελέτες και άρθρα να υποστηρίζουν ότι η τεχνητή νοημοσύνη μπορεί ξεπεράσει τα εμπόδια που αντιμετωπίζουμε σήμερα στην ανάπτυξη φαρμάκων και να δημιουργήσει ένα μοντέλο ιατρικής έρευνας.","Clinical trials are the most reliable way to prove the safety and effectiveness of a new treatment. It requires, on average, 10-15 years, of which 5-6 years are needed to research and develop an active substance and another 5-7 years to complete clinical trials. Launching a new drug on the market requires huge costs in the US amounting to 1.5 - 2 billion dollars. Most of this money is spent on clinical trials, especially phase III which stands out as the most time consuming, complex and demanding. In recent years, the use of artificial intelligence and real-world data (RWD), i.e. scientific data from various sources, in healthcare are tools that could transform some processes and change the way we approach clinical trials. Purpose: The objective of this paper is to examine whether AI and the use of big data can improve various aspects of clinical trials, and to highlight the limitations, risks and barriers that such a new and multidimensional technology will raise in the future. Methodology: For the writing of this thesis, a review of the international literature was conducted and the material was selected scientific articles published in English and Greek. The electronic databases PubMed, Science Direct and Google scholar were used for the collection of recent data. Conclusion / Discussion : The use of AI in clinical trials has high potential and is growing rapidly, with many studies and articles arguing that AI can overcome the barriers we currently face in drug development and create a model for medical research."]},{"key":"dc:title","label":"Title","values":["Τεχνητή νοημοσύνη και διαχείριση μεγάλων δεδομένων στις κλινικές μελέτες"]}]}],"canonical_facts":{"dc:creator":["Στεφάνου Αγγελική","Stefanou Angeliki"],"dc:date":["2025"],"dc:description":["Εισαγωγή: Οι κλινικές δοκιμές είναι ο πιο αξιόπιστος τρόπος για την απόδειξη της ασφάλειας και της αποτελεσματικότητας μιας νέας θεραπείας. Χρειάζονται, κατά μέσο όρο, 10-15 χρόνια εκ των οποίων 5-6 απαιτούνται για την έρευνα και την ανάπτυξη μιας δραστικής ουσίας και άλλα 5-7 χρόνια για την ολοκλήρωση των κλινικών δοκιμών. Η κυκλοφορία ενός νέου φαρμάκου στην αγορά απαιτεί τεράστιο κόστος στις Η.Π.Α ανέρχεται στα 1.5 – 2 δισεκατομμύρια δόλάρια. Το μεγαλύτερο μέρος των χρημάτων αυτών δαπανάται στις κλινικές δοκιμές και κυρίως στη φάση ΙΙΙ η οποία ξεχωρίζει ως η πλέον χρονοβόρα, σύνθετη και απαιτητική. Τα τελευταία χρόνια, η χρήση της τεχνητής νοημοσύνης και των δεδομένων του πραγματικού κόσμου (RWD), δηλαδή επιστημονικών δεδομένων από διάφορες πηγές, στην υγειονομική περίθαλψη, είναι εργαλεία που θα μπορούσαν να μεταμορφώσουν κάποιες διαδικασίες και να αλλάξουν τον τρόπο με τον οποίο προσεγγίζουμε τις κλινικές δοκιμές. Σκοπός: Σκοπός της παρούσας εργασίας είναι να εξετάσει κατά πόσο η τεχνητή νοημοσύνη και η χρήση των μεγάλων δεδομένων μπορούν να βελτιώσουν τις διάφορες πτυχές των κλινικών μελετών, καθώς και να τονίσει τους περιορισμούς, τους κινδύνους και τα εμπόδια που θα θέσει μελλοντικά μία τόσο νέα και πολυδιάστατη τεχνολογία. Μεθοδολογία: Η παρούσα διπλωματική βασίζεται σε συστηματική βιβλιογραφική ανασκόπηση με στόχο να απαντήσει στα ερευνητικά ερωτήματα. Η αναζήτηση πληροφοριών έγινε σε αξιόπιστες βάσεις δεδομένων όπως Google Scholar, PubMed, Elsevier. Οι λέξεις-κλειδιά που χρησιμοποιήθηκαν ήταν οι εξής: Artificial Intelligence, Clinical trials, Big data, Drug development, Machine Learning, Deep Learning, Omics, Decentralized Clinical Trials, Neuronal Networks και σε πολλές περιπτώσεις έγινε και συνδυασμός των όρων αυτών. Η εργασία βασίστηκε σε άρθρα της χρονικής περιόδου 2014 – 2025 και γραμμένα στην αγγλική και στην ελληνική γλώσσα. Συμπέρασμα / Συζήτηση : Η χρήση της τεχνητής νοημοσύνης στις κλινικές μελέτες παρουσιάζει μεγάλες προοπτικές και αναπτύσσεται γρήγορα, με πολλές μελέτες και άρθρα να υποστηρίζουν ότι η τεχνητή νοημοσύνη μπορεί ξεπεράσει τα εμπόδια που αντιμετωπίζουμε σήμερα στην ανάπτυξη φαρμάκων και να δημιουργήσει ένα μοντέλο ιατρικής έρευνας.","Clinical trials are the most reliable way to prove the safety and effectiveness of a new treatment. It requires, on average, 10-15 years, of which 5-6 years are needed to research and develop an active substance and another 5-7 years to complete clinical trials. Launching a new drug on the market requires huge costs in the US amounting to 1.5 - 2 billion dollars. Most of this money is spent on clinical trials, especially phase III which stands out as the most time consuming, complex and demanding. In recent years, the use of artificial intelligence and real-world data (RWD), i.e. scientific data from various sources, in healthcare are tools that could transform some processes and change the way we approach clinical trials. Purpose: The objective of this paper is to examine whether AI and the use of big data can improve various aspects of clinical trials, and to highlight the limitations, risks and barriers that such a new and multidimensional technology will raise in the future. Methodology: For the writing of this thesis, a review of the international literature was conducted and the material was selected scientific articles published in English and Greek. The electronic databases PubMed, Science Direct and Google scholar were used for the collection of recent data. Conclusion / Discussion : The use of AI in clinical trials has high potential and is growing rapidly, with many studies and articles arguing that AI can overcome the barriers we currently face in drug development and create a model for medical research."],"dc:identifier":["uoadl:5297290","https://pergamos.lib.uoa.gr/uoa/dl/object/5297290"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Επιστήμες Υγείας","Health Sciences"],"dc:title":["Τεχνητή νοημοσύνη και διαχείριση μεγάλων δεδομένων στις κλινικές μελέτες"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:33:04Z"}