{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5300201"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5300201","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Η Χρήση της Τεχνητής Νοημοσύνης στην Εξατομικευμένη Θεραπεία","abstract":"Εισαγωγή: Η ραγδαία εξέλιξη της τεχνητής νοημοσύνης (AI) έχει επηρεάσει σημαντικά διάφορους τομείς, συμπεριλαμβανομένης της υγειονομικής περίθαλψης. Ειδικότερα, η τεχνητή νοημοσύνη διαδραματίζει κρίσιμο ρόλο στην εξατομικευμένη ιατρική, όπου οι στρατηγικές θεραπείας προσαρμόζονται στα ατομικά χαρακτηριστικά των ασθενών. Οι παραδοσιακές ιατρικές προσεγγίσεις βασίζονται συχνά σε γενικευμένα θεραπευτικά σχήματα, τα οποία μπορεί να μην λαμβάνουν υπόψη τους παράγοντες που αφορούν τον ασθενή, όπως η γενετική, ο τρόπος ζωής και η εξέλιξη της νόσου. Η ενσωμάτωση της τεχνητής νοημοσύνης στην εξατομικευμένη θεραπεία αποσκοπεί στην ενίσχυση της αποτελεσματικότητας της θεραπείας, στην ελαχιστοποίηση των ανεπιθύμητων ενεργειών και στη βελτιστοποίηση των αποτελεσμάτων των ασθενών. Η παρούσα μελέτη διερευνά την εφαρμογή μεθοδολογιών τεχνητής νοημοσύνης στην εξατομικευμένη ιατρική, δίνοντας έμφαση στις δυνατότητες, τις τρέχουσες προκλήσεις και τις μελλοντικές κατευθύνσεις. Μέθοδοι: Πραγματοποιήθηκε μια συστηματική βιβλιογραφική ανασκόπηση για την αξιολόγηση του ρόλου της τεχνητής νοημοσύνης στην εξατομικευμένη ιατρική. Έγινε αναζήτηση σε διάφορες βάσεις δεδομένων, συμπεριλαμβανομένων των PubMed, Scopus και Google Scholar, χρησιμοποιώντας όρους-κλειδιά όπως «AI in medicine», «machine learning in healthcare», «personalized therapy» και «AI-driven diagnostics». Τα κριτήρια επιλογής περιελάμβαναν κλινικές δοκιμές, μελέτες περιπτώσεων και συστηματικές ανασκοπήσεις που δημοσιεύτηκαν μετά το 1999, εστιάζοντας σε εφαρμογές τεχνητής νοημοσύνης στην πρόβλεψη ασθενειών, την ανακάλυψη φαρμάκων, τη βελτιστοποίηση της θεραπείας και την ιατρική απεικόνιση. Αποκλείστηκαν μελέτες χωρίς εμπειρικά δεδομένα, άρθρα εφημερίδων και περιλήψεις συνεδρίων. Τα δεδομένα που συλλέχθηκαν κατηγοριοποιήθηκαν με βάση τις μεθοδολογίες AI, την εστίαση της νόσου και την κλινική συνάφεια. Αποτελέσματα: Τα ευρήματα υπογραμμίζουν διάφορες προσεγγίσεις με βάση την τεχνητή νοημοσύνη στην εξατομικευμένη ιατρική: Μηχανική Μάθηση (ML) και Βαθιά Μάθηση (DL): Οι αλγόριθμοι ML, συμπεριλαμβανομένων των εποπτευόμενων και μη εποπτευόμενων μοντέλων μάθησης, χρησιμοποιούνται για την πρόβλεψη των απαντήσεων στη θεραπεία με βάση τα δεδομένα ασθενών. Οι τεχνικές βαθιάς μάθησης, ιδιαίτερα τα νευρωνικά δίκτυα, ενισχύουν την ανάλυση ιατρικής απεικόνισης και το γενετικό προφίλ για την ταξινόμηση ασθενειών. Ανάλυση μεγάλων δεδομένων: Η τεχνητή νοημοσύνη διευκολύνει την ερμηνεία τεράστιων ιατρικών συνόλων δεδομένων, συμπεριλαμβανομένων γονιδιωματικών αλληλουχιών, ηλεκτρονικών αρχείων υγείας και δεδομένων παρακολούθησης ασθενών. Οι προγνωστικές αναλύσεις βοηθούν στην έγκαιρη ανίχνευση ασθενειών και στην εκτίμηση κινδύνου. Η τεχνητή νοημοσύνη στην ανακάλυψη φαρμάκων και τη φαρμακογονιδιωματική: Η τεχνητή νοημοσύνη επιταχύνει την ανακάλυψη φαρμάκων με την ανάλυση μοριακών δομών και την πρόβλεψη αλληλεπιδράσεων φαρμάκου-στόχου. Οι μελέτες φαρμακογονιδιωματικής αξιοποιούν την τεχνητή νοημοσύνη για τον προσδιορισμό της ατομικής ανταπόκρισης στα φάρμακα με βάση τις γενετικές παραλλαγές. Ογκολογία Ακριβείας: Μοντέλα βασισμένα στην τεχνητή νοημοσύνη βοηθούν στην ταξινόμηση των όγκων, στην πρόβλεψη της πρόγνωσης και στις συστάσεις θεραπείας, βελτιώνοντας σημαντικά την ογκολογική περίθαλψη ειδικά για τον ασθενή. Τεχνητή νοημοσύνη στην τηλεϊατρική και την απομακρυσμένη παρακολούθηση: Τα chatbots με τεχνητή νοημοσύνη, οι φορητοί αισθητήρες και οι προγνωστικές αναλύσεις ενισχύουν την παρακολούθηση των ασθενών σε πραγματικό χρόνο, επιτρέποντας προληπτικές παρεμβάσεις για τη διαχείριση χρόνιων ασθενειών. Συζήτηση: Η ενσωμάτωση της τεχνητής νοημοσύνης στην εξατομικευμένη ιατρική παρουσιάζει μεταμορφωτικές ευκαιρίες αλλά και σημαντικές προκλήσεις. Οι θεραπευτικές συστάσεις με γνώμονα την τεχνητή νοημοσύνη βελτιώνουν τη λήψη κλινικών αποφάσεων, ωστόσο οι ανησυχίες για το απόρρητο των δεδομένων, οι ηθικοί προβληματισμοί και οι αλγοριθμικές προκαταλήψεις παραμένουν βασικά εμπόδια. Επιπλέον, ενώ τα μοντέλα που βασίζονται στην τεχνητή νοημοσύνη βελτιώνουν τη διαγνωστική ακρίβεια, η ερμηνευσιμότητά τους και η κλινική επικύρωσή τους απαιτούν περαιτέρω βελτίωση. Η συνεργασία μεταξύ των προγραμματιστών τεχνητής νοημοσύνης, των κλινικών ιατρών και των ρυθμιστικών φορέων είναι απαραίτητη για να εξασφαλιστεί η υπεύθυνη ανάπτυξη της τεχνητής νοημοσύνης στην υγειονομική περίθαλψη. Παρά τις προκλήσεις αυτές, η τεχνητή νοημοσύνη συνεχίζει να προωθεί την καινοτομία στη γονιδιωματική ιατρική, την ογκολογία ακριβείας και την προγνωστική υγειονομική περίθαλψη. Οι εφαρμογές του πραγματικού κόσμου καταδεικνύουν τη βελτιωμένη διαστρωμάτωση των ασθενών, την προσαρμογή της θεραπείας και την αποτελεσματικότητα της θεραπείας, αναδεικνύοντας την ανάγκη για διεπιστημονική έρευνα και ισχυρά πλαίσια διακυβέρνησης της τεχνητής νοημοσύνης. Συμπέρασμα: Η τεχνητή νοημοσύνη έχει φέρει επανάσταση στην εξατομικευμένη ιατρική, προσφέροντας πληροφορίες βάσει δεδομένων, διαγνωστικά ακριβείας και βελτιστοποιημένες στρατηγικές θεραπείας. Η ικανότητα ανάλυσης σύνθετων βιολογικών και κλινικών δεδομένων επιτρέπει στην τεχνητή νοημοσύνη να προσαρμόζει τις θεραπείες σε εξατομικευμένο επίπεδο, βελτιώνοντας τα αποτελέσματα των ασθενών και μειώνοντας την αναποτελεσματικότητα της θεραπείας. Ωστόσο, για την πλήρη αξιοποίηση των δυνατοτήτων της τεχνητής νοημοσύνης είναι επιτακτική η αντιμετώπιση της ασφάλειας των δεδομένων, των ηθικών διλημμάτων και της κλινικής επικύρωσης. Η μελλοντική έρευνα θα πρέπει να επικεντρωθεί στην ανάπτυξη μοντέλων τεχνητής νοημοσύνης, στη βελτίωση των κανονιστικών πλαισίων και στην ενσωμάτωση λύσεων που βασίζονται στην τεχνητή νοημοσύνη στην κλινική πρακτική. Γεφυρώνοντας τις τεχνολογικές εξελίξεις με την ιατρική εμπειρογνωμοσύνη, η τεχνητή νοημοσύνη θα συνεχίσει να διαμορφώνει το μέλλον της ιατρικής ακριβείας και της εξατομικευμένης υγειονομικής περίθαλψης.","abstract_html":"Εισαγωγή: Η ραγδαία εξέλιξη της τεχνητής νοημοσύνης (AI) έχει επηρεάσει σημαντικά διάφορους τομείς, συμπεριλαμβανομένης της υγειονομικής περίθαλψης. Ειδικότερα, η τεχνητή νοημοσύνη διαδραματίζει κρίσιμο ρόλο στην εξατομικευμένη ιατρική, όπου οι στρατηγικές θεραπείας προσαρμόζονται στα ατομικά χαρακτηριστικά των ασθενών. Οι παραδοσιακές ιατρικές προσεγγίσεις βασίζονται συχνά σε γενικευμένα θεραπευτικά σχήματα, τα οποία μπορεί να μην λαμβάνουν υπόψη τους παράγοντες που αφορούν τον ασθενή, όπως η γενετική, ο τρόπος ζωής και η εξέλιξη της νόσου. Η ενσωμάτωση της τεχνητής νοημοσύνης στην εξατομικευμένη θεραπεία αποσκοπεί στην ενίσχυση της αποτελεσματικότητας της θεραπείας, στην ελαχιστοποίηση των ανεπιθύμητων ενεργειών και στη βελτιστοποίηση των αποτελεσμάτων των ασθενών. Η παρούσα μελέτη διερευνά την εφαρμογή μεθοδολογιών τεχνητής νοημοσύνης στην εξατομικευμένη ιατρική, δίνοντας έμφαση στις δυνατότητες, τις τρέχουσες προκλήσεις και τις μελλοντικές κατευθύνσεις. Μέθοδοι: Πραγματοποιήθηκε μια συστηματική βιβλιογραφική ανασκόπηση για την αξιολόγηση του ρόλου της τεχνητής νοημοσύνης στην εξατομικευμένη ιατρική. Έγινε αναζήτηση σε διάφορες βάσεις δεδομένων, συμπεριλαμβανομένων των PubMed, Scopus και Google Scholar, χρησιμοποιώντας όρους-κλειδιά όπως «AI in medicine», «machine learning in healthcare», «personalized therapy» και «AI-driven diagnostics». Τα κριτήρια επιλογής περιελάμβαναν κλινικές δοκιμές, μελέτες περιπτώσεων και συστηματικές ανασκοπήσεις που δημοσιεύτηκαν μετά το 1999, εστιάζοντας σε εφαρμογές τεχνητής νοημοσύνης στην πρόβλεψη ασθενειών, την ανακάλυψη φαρμάκων, τη βελτιστοποίηση της θεραπείας και την ιατρική απεικόνιση. Αποκλείστηκαν μελέτες χωρίς εμπειρικά δεδομένα, άρθρα εφημερίδων και περιλήψεις συνεδρίων. Τα δεδομένα που συλλέχθηκαν κατηγοριοποιήθηκαν με βάση τις μεθοδολογίες AI, την εστίαση της νόσου και την κλινική συνάφεια. Αποτελέσματα: Τα ευρήματα υπογραμμίζουν διάφορες προσεγγίσεις με βάση την τεχνητή νοημοσύνη στην εξατομικευμένη ιατρική: Μηχανική Μάθηση (ML) και Βαθιά Μάθηση (DL): Οι αλγόριθμοι ML, συμπεριλαμβανομένων των εποπτευόμενων και μη εποπτευόμενων μοντέλων μάθησης, χρησιμοποιούνται για την πρόβλεψη των απαντήσεων στη θεραπεία με βάση τα δεδομένα ασθενών. Οι τεχνικές βαθιάς μάθησης, ιδιαίτερα τα νευρωνικά δίκτυα, ενισχύουν την ανάλυση ιατρικής απεικόνισης και το γενετικό προφίλ για την ταξινόμηση ασθενειών. Ανάλυση μεγάλων δεδομένων: Η τεχνητή νοημοσύνη διευκολύνει την ερμηνεία τεράστιων ιατρικών συνόλων δεδομένων, συμπεριλαμβανομένων γονιδιωματικών αλληλουχιών, ηλεκτρονικών αρχείων υγείας και δεδομένων παρακολούθησης ασθενών. Οι προγνωστικές αναλύσεις βοηθούν στην έγκαιρη ανίχνευση ασθενειών και στην εκτίμηση κινδύνου. Η τεχνητή νοημοσύνη στην ανακάλυψη φαρμάκων και τη φαρμακογονιδιωματική: Η τεχνητή νοημοσύνη επιταχύνει την ανακάλυψη φαρμάκων με την ανάλυση μοριακών δομών και την πρόβλεψη αλληλεπιδράσεων φαρμάκου-στόχου. Οι μελέτες φαρμακογονιδιωματικής αξιοποιούν την τεχνητή νοημοσύνη για τον προσδιορισμό της ατομικής ανταπόκρισης στα φάρμακα με βάση τις γενετικές παραλλαγές. Ογκολογία Ακριβείας: Μοντέλα βασισμένα στην τεχνητή νοημοσύνη βοηθούν στην ταξινόμηση των όγκων, στην πρόβλεψη της πρόγνωσης και στις συστάσεις θεραπείας, βελτιώνοντας σημαντικά την ογκολογική περίθαλψη ειδικά για τον ασθενή. Τεχνητή νοημοσύνη στην τηλεϊατρική και την απομακρυσμένη παρακολούθηση: Τα chatbots με τεχνητή νοημοσύνη, οι φορητοί αισθητήρες και οι προγνωστικές αναλύσεις ενισχύουν την παρακολούθηση των ασθενών σε πραγματικό χρόνο, επιτρέποντας προληπτικές παρεμβάσεις για τη διαχείριση χρόνιων ασθενειών. Συζήτηση: Η ενσωμάτωση της τεχνητής νοημοσύνης στην εξατομικευμένη ιατρική παρουσιάζει μεταμορφωτικές ευκαιρίες αλλά και σημαντικές προκλήσεις. Οι θεραπευτικές συστάσεις με γνώμονα την τεχνητή νοημοσύνη βελτιώνουν τη λήψη κλινικών αποφάσεων, ωστόσο οι ανησυχίες για το απόρρητο των δεδομένων, οι ηθικοί προβληματισμοί και οι αλγοριθμικές προκαταλήψεις παραμένουν βασικά εμπόδια. Επιπλέον, ενώ τα μοντέλα που βασίζονται στην τεχνητή νοημοσύνη βελτιώνουν τη διαγνωστική ακρίβεια, η ερμηνευσιμότητά τους και η κλινική επικύρωσή τους απαιτούν περαιτέρω βελτίωση. Η συνεργασία μεταξύ των προγραμματιστών τεχνητής νοημοσύνης, των κλινικών ιατρών και των ρυθμιστικών φορέων είναι απαραίτητη για να εξασφαλιστεί η υπεύθυνη ανάπτυξη της τεχνητής νοημοσύνης στην υγειονομική περίθαλψη. Παρά τις προκλήσεις αυτές, η τεχνητή νοημοσύνη συνεχίζει να προωθεί την καινοτομία στη γονιδιωματική ιατρική, την ογκολογία ακριβείας και την προγνωστική υγειονομική περίθαλψη. Οι εφαρμογές του πραγματικού κόσμου καταδεικνύουν τη βελτιωμένη διαστρωμάτωση των ασθενών, την προσαρμογή της θεραπείας και την αποτελεσματικότητα της θεραπείας, αναδεικνύοντας την ανάγκη για διεπιστημονική έρευνα και ισχυρά πλαίσια διακυβέρνησης της τεχνητής νοημοσύνης. Συμπέρασμα: Η τεχνητή νοημοσύνη έχει φέρει επανάσταση στην εξατομικευμένη ιατρική, προσφέροντας πληροφορίες βάσει δεδομένων, διαγνωστικά ακριβείας και βελτιστοποιημένες στρατηγικές θεραπείας. Η ικανότητα ανάλυσης σύνθετων βιολογικών και κλινικών δεδομένων επιτρέπει στην τεχνητή νοημοσύνη να προσαρμόζει τις θεραπείες σε εξατομικευμένο επίπεδο, βελτιώνοντας τα αποτελέσματα των ασθενών και μειώνοντας την αναποτελεσματικότητα της θεραπείας. Ωστόσο, για την πλήρη αξιοποίηση των δυνατοτήτων της τεχνητής νοημοσύνης είναι επιτακτική η αντιμετώπιση της ασφάλειας των δεδομένων, των ηθικών διλημμάτων και της κλινικής επικύρωσης. Η μελλοντική έρευνα θα πρέπει να επικεντρωθεί στην ανάπτυξη μοντέλων τεχνητής νοημοσύνης, στη βελτίωση των κανονιστικών πλαισίων και στην ενσωμάτωση λύσεων που βασίζονται στην τεχνητή νοημοσύνη στην κλινική πρακτική. Γεφυρώνοντας τις τεχνολογικές εξελίξεις με την ιατρική εμπειρογνωμοσύνη, η τεχνητή νοημοσύνη θα συνεχίσει να διαμορφώνει το μέλλον της ιατρικής ακριβείας και της εξατομικευμένης υγειονομικής περίθαλψης.","abstract_has_math":false,"creators":["ΚΑΠΟΓΙΑΝΝΑΤΟΥ ΘΕΟΔΩΡΑ","KAPOGIANNATOU THEODORA"],"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":"2026-11-19T06:37:23Z","subjects":["Επιστήμες Υγείας","Health Sciences"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5300201"],"render_values":[{"text":"uoadl:5300201","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5300201","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5300201","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%3A5300201","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["ΚΑΠΟΓΙΑΝΝΑΤΟΥ ΘΕΟΔΩΡΑ","KAPOGIANNATOU THEODORA"]}]},{"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:5300201","https://pergamos.lib.uoa.gr/uoa/dl/object/5300201"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Εισαγωγή: Η ραγδαία εξέλιξη της τεχνητής νοημοσύνης (AI) έχει επηρεάσει σημαντικά διάφορους τομείς, συμπεριλαμβανομένης της υγειονομικής περίθαλψης. Ειδικότερα, η τεχνητή νοημοσύνη διαδραματίζει κρίσιμο ρόλο στην εξατομικευμένη ιατρική, όπου οι στρατηγικές θεραπείας προσαρμόζονται στα ατομικά χαρακτηριστικά των ασθενών. Οι παραδοσιακές ιατρικές προσεγγίσεις βασίζονται συχνά σε γενικευμένα θεραπευτικά σχήματα, τα οποία μπορεί να μην λαμβάνουν υπόψη τους παράγοντες που αφορούν τον ασθενή, όπως η γενετική, ο τρόπος ζωής και η εξέλιξη της νόσου. Η ενσωμάτωση της τεχνητής νοημοσύνης στην εξατομικευμένη θεραπεία αποσκοπεί στην ενίσχυση της αποτελεσματικότητας της θεραπείας, στην ελαχιστοποίηση των ανεπιθύμητων ενεργειών και στη βελτιστοποίηση των αποτελεσμάτων των ασθενών. Η παρούσα μελέτη διερευνά την εφαρμογή μεθοδολογιών τεχνητής νοημοσύνης στην εξατομικευμένη ιατρική, δίνοντας έμφαση στις δυνατότητες, τις τρέχουσες προκλήσεις και τις μελλοντικές κατευθύνσεις. Μέθοδοι: Πραγματοποιήθηκε μια συστηματική βιβλιογραφική ανασκόπηση για την αξιολόγηση του ρόλου της τεχνητής νοημοσύνης στην εξατομικευμένη ιατρική. Έγινε αναζήτηση σε διάφορες βάσεις δεδομένων, συμπεριλαμβανομένων των PubMed, Scopus και Google Scholar, χρησιμοποιώντας όρους-κλειδιά όπως «AI in medicine», «machine learning in healthcare», «personalized therapy» και «AI-driven diagnostics». Τα κριτήρια επιλογής περιελάμβαναν κλινικές δοκιμές, μελέτες περιπτώσεων και συστηματικές ανασκοπήσεις που δημοσιεύτηκαν μετά το 1999, εστιάζοντας σε εφαρμογές τεχνητής νοημοσύνης στην πρόβλεψη ασθενειών, την ανακάλυψη φαρμάκων, τη βελτιστοποίηση της θεραπείας και την ιατρική απεικόνιση. Αποκλείστηκαν μελέτες χωρίς εμπειρικά δεδομένα, άρθρα εφημερίδων και περιλήψεις συνεδρίων. Τα δεδομένα που συλλέχθηκαν κατηγοριοποιήθηκαν με βάση τις μεθοδολογίες AI, την εστίαση της νόσου και την κλινική συνάφεια. Αποτελέσματα: Τα ευρήματα υπογραμμίζουν διάφορες προσεγγίσεις με βάση την τεχνητή νοημοσύνη στην εξατομικευμένη ιατρική: Μηχανική Μάθηση (ML) και Βαθιά Μάθηση (DL): Οι αλγόριθμοι ML, συμπεριλαμβανομένων των εποπτευόμενων και μη εποπτευόμενων μοντέλων μάθησης, χρησιμοποιούνται για την πρόβλεψη των απαντήσεων στη θεραπεία με βάση τα δεδομένα ασθενών. Οι τεχνικές βαθιάς μάθησης, ιδιαίτερα τα νευρωνικά δίκτυα, ενισχύουν την ανάλυση ιατρικής απεικόνισης και το γενετικό προφίλ για την ταξινόμηση ασθενειών. Ανάλυση μεγάλων δεδομένων: Η τεχνητή νοημοσύνη διευκολύνει την ερμηνεία τεράστιων ιατρικών συνόλων δεδομένων, συμπεριλαμβανομένων γονιδιωματικών αλληλουχιών, ηλεκτρονικών αρχείων υγείας και δεδομένων παρακολούθησης ασθενών. Οι προγνωστικές αναλύσεις βοηθούν στην έγκαιρη ανίχνευση ασθενειών και στην εκτίμηση κινδύνου. Η τεχνητή νοημοσύνη στην ανακάλυψη φαρμάκων και τη φαρμακογονιδιωματική: Η τεχνητή νοημοσύνη επιταχύνει την ανακάλυψη φαρμάκων με την ανάλυση μοριακών δομών και την πρόβλεψη αλληλεπιδράσεων φαρμάκου-στόχου. Οι μελέτες φαρμακογονιδιωματικής αξιοποιούν την τεχνητή νοημοσύνη για τον προσδιορισμό της ατομικής ανταπόκρισης στα φάρμακα με βάση τις γενετικές παραλλαγές. Ογκολογία Ακριβείας: Μοντέλα βασισμένα στην τεχνητή νοημοσύνη βοηθούν στην ταξινόμηση των όγκων, στην πρόβλεψη της πρόγνωσης και στις συστάσεις θεραπείας, βελτιώνοντας σημαντικά την ογκολογική περίθαλψη ειδικά για τον ασθενή. Τεχνητή νοημοσύνη στην τηλεϊατρική και την απομακρυσμένη παρακολούθηση: Τα chatbots με τεχνητή νοημοσύνη, οι φορητοί αισθητήρες και οι προγνωστικές αναλύσεις ενισχύουν την παρακολούθηση των ασθενών σε πραγματικό χρόνο, επιτρέποντας προληπτικές παρεμβάσεις για τη διαχείριση χρόνιων ασθενειών. Συζήτηση: Η ενσωμάτωση της τεχνητής νοημοσύνης στην εξατομικευμένη ιατρική παρουσιάζει μεταμορφωτικές ευκαιρίες αλλά και σημαντικές προκλήσεις. Οι θεραπευτικές συστάσεις με γνώμονα την τεχνητή νοημοσύνη βελτιώνουν τη λήψη κλινικών αποφάσεων, ωστόσο οι ανησυχίες για το απόρρητο των δεδομένων, οι ηθικοί προβληματισμοί και οι αλγοριθμικές προκαταλήψεις παραμένουν βασικά εμπόδια. Επιπλέον, ενώ τα μοντέλα που βασίζονται στην τεχνητή νοημοσύνη βελτιώνουν τη διαγνωστική ακρίβεια, η ερμηνευσιμότητά τους και η κλινική επικύρωσή τους απαιτούν περαιτέρω βελτίωση. Η συνεργασία μεταξύ των προγραμματιστών τεχνητής νοημοσύνης, των κλινικών ιατρών και των ρυθμιστικών φορέων είναι απαραίτητη για να εξασφαλιστεί η υπεύθυνη ανάπτυξη της τεχνητής νοημοσύνης στην υγειονομική περίθαλψη. Παρά τις προκλήσεις αυτές, η τεχνητή νοημοσύνη συνεχίζει να προωθεί την καινοτομία στη γονιδιωματική ιατρική, την ογκολογία ακριβείας και την προγνωστική υγειονομική περίθαλψη. Οι εφαρμογές του πραγματικού κόσμου καταδεικνύουν τη βελτιωμένη διαστρωμάτωση των ασθενών, την προσαρμογή της θεραπείας και την αποτελεσματικότητα της θεραπείας, αναδεικνύοντας την ανάγκη για διεπιστημονική έρευνα και ισχυρά πλαίσια διακυβέρνησης της τεχνητής νοημοσύνης. Συμπέρασμα: Η τεχνητή νοημοσύνη έχει φέρει επανάσταση στην εξατομικευμένη ιατρική, προσφέροντας πληροφορίες βάσει δεδομένων, διαγνωστικά ακριβείας και βελτιστοποιημένες στρατηγικές θεραπείας. Η ικανότητα ανάλυσης σύνθετων βιολογικών και κλινικών δεδομένων επιτρέπει στην τεχνητή νοημοσύνη να προσαρμόζει τις θεραπείες σε εξατομικευμένο επίπεδο, βελτιώνοντας τα αποτελέσματα των ασθενών και μειώνοντας την αναποτελεσματικότητα της θεραπείας. Ωστόσο, για την πλήρη αξιοποίηση των δυνατοτήτων της τεχνητής νοημοσύνης είναι επιτακτική η αντιμετώπιση της ασφάλειας των δεδομένων, των ηθικών διλημμάτων και της κλινικής επικύρωσης. Η μελλοντική έρευνα θα πρέπει να επικεντρωθεί στην ανάπτυξη μοντέλων τεχνητής νοημοσύνης, στη βελτίωση των κανονιστικών πλαισίων και στην ενσωμάτωση λύσεων που βασίζονται στην τεχνητή νοημοσύνη στην κλινική πρακτική. Γεφυρώνοντας τις τεχνολογικές εξελίξεις με την ιατρική εμπειρογνωμοσύνη, η τεχνητή νοημοσύνη θα συνεχίσει να διαμορφώνει το μέλλον της ιατρικής ακριβείας και της εξατομικευμένης υγειονομικής περίθαλψης.","Introduction: The rapid evolution of artificial intelligence (AI) has significantly impacted various fields, including healthcare. In particular, AI plays a crucial role in personalized medicine, where treatment strategies are tailored to individual patient characteristics. Traditional medical approaches often rely on generalized treatment regimens, which may not account for patient-specific factors such as genetics, lifestyle, and disease progression. The integration of AI in personalized therapy aims to enhance treatment efficacy, minimize adverse effects, and optimize patient outcomes. The present study explores the application of AI methodologies in personalized medicine, emphasizing its potential, current challenges, and future directions. Methods: A systematic literature review was conducted to assess the role of AI in personalized medicine. Various databases, including PubMed, Scopus, and Google Scholar, were searched using key terms such as \"AI in medicine\", \"machine learning in healthcare\", \"personalized therapy\", and \"AI-driven diagnostics\". Selection criteria included clinical trials, case studies, and systematic reviews published after 1999, focusing on AI applications in disease prediction, drug discovery, treatment optimization, and medical imaging. Studies without empirical data, newspaper articles, and conference abstracts were excluded. The collected data were categorized based on AI methodologies, disease focus, and clinical relevance. Results: The findings highlight several AI-driven approaches in personalized medicine: Machine Learning (ML) and Deep Learning (DL): ML algorithms, including supervised and unsupervised learning models, are employed for predicting treatment responses based on patient data. Deep learning techniques, particularly neural networks, enhance medical imaging analysis and genetic profiling for disease classification. Big Data Analysis: AI facilitates the interpretation of vast medical datasets, including genomic sequences, electronic health records, and patient monitoring data. Predictive analytics assist in early disease detection and risk assessment. AI in Drug Discovery and Pharmacogenomics: AI accelerates drug discovery by analyzing molecular structures and predicting drug-target interactions. Pharmacogenomic studies leverage AI to determine individual drug responses based on genetic variations. Precision Oncology: AI-based models aid in tumor classification, prognosis prediction, and treatment recommendations, significantly improving patient- specific oncological care. AI in Telemedicine and Remote Monitoring: AI-powered chatbots, wearable sensors, and predictive analytics enhance real-time patient monitoring, enabling proactive interventions for chronic disease management. Discussion: The integration of AI into personalized medicine presents transformative opportunities but also substantial challenges. AI-driven treatment recommendations improve clinical decision- making, yet data privacy concerns, ethical considerations, and algorithmic biases remain key obstacles. Additionally, while AI-based models enhance diagnostic accuracy, their interpretability and clinical validation require further refinement. The collaboration between AI developers, clinicians, and regulatory bodies is essential to ensure responsible AI deployment in healthcare. Despite these challenges, AI continues to drive innovation in genomic medicine, precision oncology, and predictive healthcare. Real-world applications demonstrate improved patient stratification, therapy customization, and treatment efficacy, highlighting the necessity for interdisciplinary research and robust AI governance frameworks. Conclusion: AI has revolutionized personalized medicine by offering data-driven insights, precision diagnostics, and optimized treatment strategies. The ability to analyze complex biological and clinical data enables AI to tailor therapies at an individualized level, improving patient outcomes and reducing treatment inefficiencies. However, to fully harness AI’s potential, addressing data security, ethical dilemmas, and clinical validation is imperative. Future research should focus on developing explainable AI models, improving regulatory frameworks, and integrating AI-driven solutions into clinical practice. By bridging technological advancements with medical expertise, AI will continue to shape the future of precision medicine and personalized healthcare."]},{"key":"dc:title","label":"Title","values":["Η Χρήση της Τεχνητής Νοημοσύνης στην Εξατομικευμένη Θεραπεία"]}]}],"canonical_facts":{"dc:creator":["ΚΑΠΟΓΙΑΝΝΑΤΟΥ ΘΕΟΔΩΡΑ","KAPOGIANNATOU THEODORA"],"dc:date":["2025"],"dc:description":["Εισαγωγή: Η ραγδαία εξέλιξη της τεχνητής νοημοσύνης (AI) έχει επηρεάσει σημαντικά διάφορους τομείς, συμπεριλαμβανομένης της υγειονομικής περίθαλψης. Ειδικότερα, η τεχνητή νοημοσύνη διαδραματίζει κρίσιμο ρόλο στην εξατομικευμένη ιατρική, όπου οι στρατηγικές θεραπείας προσαρμόζονται στα ατομικά χαρακτηριστικά των ασθενών. Οι παραδοσιακές ιατρικές προσεγγίσεις βασίζονται συχνά σε γενικευμένα θεραπευτικά σχήματα, τα οποία μπορεί να μην λαμβάνουν υπόψη τους παράγοντες που αφορούν τον ασθενή, όπως η γενετική, ο τρόπος ζωής και η εξέλιξη της νόσου. Η ενσωμάτωση της τεχνητής νοημοσύνης στην εξατομικευμένη θεραπεία αποσκοπεί στην ενίσχυση της αποτελεσματικότητας της θεραπείας, στην ελαχιστοποίηση των ανεπιθύμητων ενεργειών και στη βελτιστοποίηση των αποτελεσμάτων των ασθενών. Η παρούσα μελέτη διερευνά την εφαρμογή μεθοδολογιών τεχνητής νοημοσύνης στην εξατομικευμένη ιατρική, δίνοντας έμφαση στις δυνατότητες, τις τρέχουσες προκλήσεις και τις μελλοντικές κατευθύνσεις. Μέθοδοι: Πραγματοποιήθηκε μια συστηματική βιβλιογραφική ανασκόπηση για την αξιολόγηση του ρόλου της τεχνητής νοημοσύνης στην εξατομικευμένη ιατρική. Έγινε αναζήτηση σε διάφορες βάσεις δεδομένων, συμπεριλαμβανομένων των PubMed, Scopus και Google Scholar, χρησιμοποιώντας όρους-κλειδιά όπως «AI in medicine», «machine learning in healthcare», «personalized therapy» και «AI-driven diagnostics». Τα κριτήρια επιλογής περιελάμβαναν κλινικές δοκιμές, μελέτες περιπτώσεων και συστηματικές ανασκοπήσεις που δημοσιεύτηκαν μετά το 1999, εστιάζοντας σε εφαρμογές τεχνητής νοημοσύνης στην πρόβλεψη ασθενειών, την ανακάλυψη φαρμάκων, τη βελτιστοποίηση της θεραπείας και την ιατρική απεικόνιση. Αποκλείστηκαν μελέτες χωρίς εμπειρικά δεδομένα, άρθρα εφημερίδων και περιλήψεις συνεδρίων. Τα δεδομένα που συλλέχθηκαν κατηγοριοποιήθηκαν με βάση τις μεθοδολογίες AI, την εστίαση της νόσου και την κλινική συνάφεια. Αποτελέσματα: Τα ευρήματα υπογραμμίζουν διάφορες προσεγγίσεις με βάση την τεχνητή νοημοσύνη στην εξατομικευμένη ιατρική: Μηχανική Μάθηση (ML) και Βαθιά Μάθηση (DL): Οι αλγόριθμοι ML, συμπεριλαμβανομένων των εποπτευόμενων και μη εποπτευόμενων μοντέλων μάθησης, χρησιμοποιούνται για την πρόβλεψη των απαντήσεων στη θεραπεία με βάση τα δεδομένα ασθενών. Οι τεχνικές βαθιάς μάθησης, ιδιαίτερα τα νευρωνικά δίκτυα, ενισχύουν την ανάλυση ιατρικής απεικόνισης και το γενετικό προφίλ για την ταξινόμηση ασθενειών. Ανάλυση μεγάλων δεδομένων: Η τεχνητή νοημοσύνη διευκολύνει την ερμηνεία τεράστιων ιατρικών συνόλων δεδομένων, συμπεριλαμβανομένων γονιδιωματικών αλληλουχιών, ηλεκτρονικών αρχείων υγείας και δεδομένων παρακολούθησης ασθενών. Οι προγνωστικές αναλύσεις βοηθούν στην έγκαιρη ανίχνευση ασθενειών και στην εκτίμηση κινδύνου. Η τεχνητή νοημοσύνη στην ανακάλυψη φαρμάκων και τη φαρμακογονιδιωματική: Η τεχνητή νοημοσύνη επιταχύνει την ανακάλυψη φαρμάκων με την ανάλυση μοριακών δομών και την πρόβλεψη αλληλεπιδράσεων φαρμάκου-στόχου. Οι μελέτες φαρμακογονιδιωματικής αξιοποιούν την τεχνητή νοημοσύνη για τον προσδιορισμό της ατομικής ανταπόκρισης στα φάρμακα με βάση τις γενετικές παραλλαγές. Ογκολογία Ακριβείας: Μοντέλα βασισμένα στην τεχνητή νοημοσύνη βοηθούν στην ταξινόμηση των όγκων, στην πρόβλεψη της πρόγνωσης και στις συστάσεις θεραπείας, βελτιώνοντας σημαντικά την ογκολογική περίθαλψη ειδικά για τον ασθενή. Τεχνητή νοημοσύνη στην τηλεϊατρική και την απομακρυσμένη παρακολούθηση: Τα chatbots με τεχνητή νοημοσύνη, οι φορητοί αισθητήρες και οι προγνωστικές αναλύσεις ενισχύουν την παρακολούθηση των ασθενών σε πραγματικό χρόνο, επιτρέποντας προληπτικές παρεμβάσεις για τη διαχείριση χρόνιων ασθενειών. Συζήτηση: Η ενσωμάτωση της τεχνητής νοημοσύνης στην εξατομικευμένη ιατρική παρουσιάζει μεταμορφωτικές ευκαιρίες αλλά και σημαντικές προκλήσεις. Οι θεραπευτικές συστάσεις με γνώμονα την τεχνητή νοημοσύνη βελτιώνουν τη λήψη κλινικών αποφάσεων, ωστόσο οι ανησυχίες για το απόρρητο των δεδομένων, οι ηθικοί προβληματισμοί και οι αλγοριθμικές προκαταλήψεις παραμένουν βασικά εμπόδια. Επιπλέον, ενώ τα μοντέλα που βασίζονται στην τεχνητή νοημοσύνη βελτιώνουν τη διαγνωστική ακρίβεια, η ερμηνευσιμότητά τους και η κλινική επικύρωσή τους απαιτούν περαιτέρω βελτίωση. Η συνεργασία μεταξύ των προγραμματιστών τεχνητής νοημοσύνης, των κλινικών ιατρών και των ρυθμιστικών φορέων είναι απαραίτητη για να εξασφαλιστεί η υπεύθυνη ανάπτυξη της τεχνητής νοημοσύνης στην υγειονομική περίθαλψη. Παρά τις προκλήσεις αυτές, η τεχνητή νοημοσύνη συνεχίζει να προωθεί την καινοτομία στη γονιδιωματική ιατρική, την ογκολογία ακριβείας και την προγνωστική υγειονομική περίθαλψη. Οι εφαρμογές του πραγματικού κόσμου καταδεικνύουν τη βελτιωμένη διαστρωμάτωση των ασθενών, την προσαρμογή της θεραπείας και την αποτελεσματικότητα της θεραπείας, αναδεικνύοντας την ανάγκη για διεπιστημονική έρευνα και ισχυρά πλαίσια διακυβέρνησης της τεχνητής νοημοσύνης. Συμπέρασμα: Η τεχνητή νοημοσύνη έχει φέρει επανάσταση στην εξατομικευμένη ιατρική, προσφέροντας πληροφορίες βάσει δεδομένων, διαγνωστικά ακριβείας και βελτιστοποιημένες στρατηγικές θεραπείας. Η ικανότητα ανάλυσης σύνθετων βιολογικών και κλινικών δεδομένων επιτρέπει στην τεχνητή νοημοσύνη να προσαρμόζει τις θεραπείες σε εξατομικευμένο επίπεδο, βελτιώνοντας τα αποτελέσματα των ασθενών και μειώνοντας την αναποτελεσματικότητα της θεραπείας. Ωστόσο, για την πλήρη αξιοποίηση των δυνατοτήτων της τεχνητής νοημοσύνης είναι επιτακτική η αντιμετώπιση της ασφάλειας των δεδομένων, των ηθικών διλημμάτων και της κλινικής επικύρωσης. Η μελλοντική έρευνα θα πρέπει να επικεντρωθεί στην ανάπτυξη μοντέλων τεχνητής νοημοσύνης, στη βελτίωση των κανονιστικών πλαισίων και στην ενσωμάτωση λύσεων που βασίζονται στην τεχνητή νοημοσύνη στην κλινική πρακτική. Γεφυρώνοντας τις τεχνολογικές εξελίξεις με την ιατρική εμπειρογνωμοσύνη, η τεχνητή νοημοσύνη θα συνεχίσει να διαμορφώνει το μέλλον της ιατρικής ακριβείας και της εξατομικευμένης υγειονομικής περίθαλψης.","Introduction: The rapid evolution of artificial intelligence (AI) has significantly impacted various fields, including healthcare. In particular, AI plays a crucial role in personalized medicine, where treatment strategies are tailored to individual patient characteristics. Traditional medical approaches often rely on generalized treatment regimens, which may not account for patient-specific factors such as genetics, lifestyle, and disease progression. The integration of AI in personalized therapy aims to enhance treatment efficacy, minimize adverse effects, and optimize patient outcomes. The present study explores the application of AI methodologies in personalized medicine, emphasizing its potential, current challenges, and future directions. Methods: A systematic literature review was conducted to assess the role of AI in personalized medicine. Various databases, including PubMed, Scopus, and Google Scholar, were searched using key terms such as \"AI in medicine\", \"machine learning in healthcare\", \"personalized therapy\", and \"AI-driven diagnostics\". Selection criteria included clinical trials, case studies, and systematic reviews published after 1999, focusing on AI applications in disease prediction, drug discovery, treatment optimization, and medical imaging. Studies without empirical data, newspaper articles, and conference abstracts were excluded. The collected data were categorized based on AI methodologies, disease focus, and clinical relevance. Results: The findings highlight several AI-driven approaches in personalized medicine: Machine Learning (ML) and Deep Learning (DL): ML algorithms, including supervised and unsupervised learning models, are employed for predicting treatment responses based on patient data. Deep learning techniques, particularly neural networks, enhance medical imaging analysis and genetic profiling for disease classification. Big Data Analysis: AI facilitates the interpretation of vast medical datasets, including genomic sequences, electronic health records, and patient monitoring data. Predictive analytics assist in early disease detection and risk assessment. AI in Drug Discovery and Pharmacogenomics: AI accelerates drug discovery by analyzing molecular structures and predicting drug-target interactions. Pharmacogenomic studies leverage AI to determine individual drug responses based on genetic variations. Precision Oncology: AI-based models aid in tumor classification, prognosis prediction, and treatment recommendations, significantly improving patient- specific oncological care. AI in Telemedicine and Remote Monitoring: AI-powered chatbots, wearable sensors, and predictive analytics enhance real-time patient monitoring, enabling proactive interventions for chronic disease management. Discussion: The integration of AI into personalized medicine presents transformative opportunities but also substantial challenges. AI-driven treatment recommendations improve clinical decision- making, yet data privacy concerns, ethical considerations, and algorithmic biases remain key obstacles. Additionally, while AI-based models enhance diagnostic accuracy, their interpretability and clinical validation require further refinement. The collaboration between AI developers, clinicians, and regulatory bodies is essential to ensure responsible AI deployment in healthcare. Despite these challenges, AI continues to drive innovation in genomic medicine, precision oncology, and predictive healthcare. Real-world applications demonstrate improved patient stratification, therapy customization, and treatment efficacy, highlighting the necessity for interdisciplinary research and robust AI governance frameworks. Conclusion: AI has revolutionized personalized medicine by offering data-driven insights, precision diagnostics, and optimized treatment strategies. The ability to analyze complex biological and clinical data enables AI to tailor therapies at an individualized level, improving patient outcomes and reducing treatment inefficiencies. However, to fully harness AI’s potential, addressing data security, ethical dilemmas, and clinical validation is imperative. Future research should focus on developing explainable AI models, improving regulatory frameworks, and integrating AI-driven solutions into clinical practice. By bridging technological advancements with medical expertise, AI will continue to shape the future of precision medicine and personalized healthcare."],"dc:identifier":["uoadl:5300201","https://pergamos.lib.uoa.gr/uoa/dl/object/5300201"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Επιστήμες Υγείας","Health Sciences"],"dc:title":["Η Χρήση της Τεχνητής Νοημοσύνης στην Εξατομικευμένη Θεραπεία"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:37:23Z"}