Back to search

National and Kapodistrian University of Athens

Αξιολόγηση Χημειοθεραπευτικών Σχημάτων σε Ογκολογικούς Ασθενείς με Χρήση της Τεχνητής Νοημοσύνης

Abstract

dc:description

Εισαγωγή: Ο καρκίνος αποτελεί μια από τις πιο θανατηφόρες ασθένειες παγκοσμίως, λόγω της πολυπλοκότητας της νόσου και του επιθετικού της χαρακτήρα. Χαρακτηρίζεται από την ανεξέλεγκτη ανάπτυξη κυττάρων στους ιστούς του πνευμονικού οργάνου και κατατάσσεται κυρίως σε μικροκυτταρικό καρκίνωμα του πνεύμονα (SCLC) και το μη μικροκυτταρικό (NSCLC). Τα συμπτώματα που εμφανίζονται αρχικά είναι κυρίως μη ειδικά, αλλά προκαλούν ανησυχία στον ασθενή και αφορμή για διερεύνηση. Για την επιβεβαίωση απαιτείται και διαγνωστική διερεύνηση με απεικονιστικές μεθόδους, ενώ διεξάγεται και ανίχνευση μεταλλάξεων σε συσχετιζόμενα γονίδια. Ακολουθεί η σταδιοποίηση του καρκίνου και βάσει πρωτοκόλλων επιλέγεται η αντίστοιχη θεραπευτική προσέγγιση. Τα τελευταία χρόνια, η τεχνητή νοημοσύνη (AI) στον ιατρικό κλάδο χρησιμοποιείται σε ποικίλες περιπτώσεις και έτσι εγείρεται το ενδιαφέρον για την αξιοπιστία της και την δυνατότητα χρήσης της σε πολύπλοκα ζητήματα, όπως αυτό του καρκίνου. Σκοπός της παρούσας μελέτης είναι η αξιολόγηση της εφαρμογής της AI στην επιλογή χημειοθεραπευτικών σχημάτων σε ασθενείς με καρκίνο του πνεύμονα. Μέθοδοι: Με σκοπό την αξιολόγηση της εφαρμογής της AI στην επιλογή χημειοθεραπευτικών σχημάτων σε ασθενείς με καρκίνο του πνεύμονα, διεξήχθη σύγκριση των θεραπευτικών επιλογών που ακολουθούνται στην κλινική πράξη με τις προτεινόμενες από αλγορίθμους AI. Εκτός από την συστηματική αναζήτηση στην βιβλιογραφία, έγινε συλλογή δεδομένων, στο ΓΣΝΑ 401, προκειμένου να επιτευχθεί η σύγκριση. Τα δεδομένα περιείχαν πληροφορίες αναφορικά με τον ασθενή και την θεραπεία που ακολούθησε. H συγκριτικής ανάλυσης μεταξύ των κλινικά καθιερωμένων θεραπευτικών πρωτοκόλλων και των θεραπευτικών επιλογών που προκύπτουν από αλγοριθμικές προτάσεις, στόχευε στην αποτίμηση της συμβολής και αξιοπιστίας της AI στην ογκολογική θεραπευτική απόφαση. Αποτελέσματα: Τα δείγματα αναλύθηκαν με περιγραφική στατιστική και με μεθόδους μηχανικής μάθησης. Μέσω της περιγραφικής στατιστικής κατηγοριοποιούνται τα δείγματα των ασθενών βάσει φύλου, ηλικιακής κατηγορίας, τύπου καρκίνου και γραμμής θεραπείας. Με τις μεθόδους μηχανικής μάθησης (bagged trees, boosted trees και νευρωνικά δίκτυα) συσχετίστηκαν οι διάφοροι παράγοντες (όπως το BSA, η ηλικία και ο τύπος καρκίνου) με την απόλυτη συμφωνία για την επιλογή της θεραπείας και της δοσολογίας. Συζήτηση: Όπως και σε παρόμοιες έρευνες που έχουν διεξαχθεί, σε μεγάλο ποσοστό παρουσιάστηκε συμφωνία ανάμεσα στις επιλογές του ιατρού και τις προτάσεις της τεχνητής νοημοσύνης, ιδιαίτερα στην θεραπείας πρώτης γραμμής. Ενδιαφέρον εύρημα ήταν η διαφορετική βαρύτητα του φύλου για τις επιλογές των προαναφερόμενων. Οι διαφορετικές προσεγγίσεις που δίνονταν από την τεχνητή νοημοσύνη είναι απαραίτητο να αξιολογούνται, καθώς άλλοτε είναι εσφαλμένες και άλλοτε ενναλακτικές. Συμπεράσματα: Η ανάγκη για καινοτόμες θεραπευτικές προσεγγίσεις είναι επιτακτική, δεδομένου της ποικιλομορφίας των υποτύπων και της ατομική ετερογένεια της νόσου. Η τεχνητή νοημοσύνη διαθέτει την δυναμική για την υποστήριξη της κλινικής απόφασης, λειτουργώντας συμπληρωματικά και προσφέροντας λύσεις βάσει δεδομένων για τη βελτιστοποίηση των θεραπευτικών σχημάτων. Ωστόσο, η αποτελεσματική εφαρμογή της τεχνολογίας αυτής προϋποθέτει συνεχή βελτίωση των αλγορίθμων, ως προς την ακρίβεια και την ικανότητα εξατομίκευσης.

Author and committee

dc:creator, dc:contributor.*
Authors dc:creator
  • ΣΟΥΒΛΙΔΟΥ ΣΟΦΙΑ
  • SOUVLIDOU SOFIA

Subjects

dc:subject × 2

Rights

Language dc:language
Ελληνικά, Greek

Identifiers

dc:identifier.*
Identifier
uoadl:5302096

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

ΣΟΥΒΛΙΔΟΥ ΣΟΦΙΑ; SOUVLIDOU SOFIA. Αξιολόγηση Χημειοθεραπευτικών Σχημάτων σε Ογκολογικούς Ασθενείς με Χρήση της Τεχνητής Νοημοσύνης. 2025. https://pergamos.lib.uoa.gr/uoa/dl/object/5302096