{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5302096"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5302096","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Αξιολόγηση Χημειοθεραπευτικών Σχημάτων σε Ογκολογικούς Ασθενείς με Χρήση της Τεχνητής Νοημοσύνης","abstract":"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.","abstract_html":"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.","abstract_has_math":false,"creators":["ΣΟΥΒΛΙΔΟΥ ΣΟΦΙΑ","SOUVLIDOU SOFIA"],"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":"2026-11-19T06:37:29Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5302096"],"render_values":[{"text":"uoadl:5302096","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5302096","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5302096","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%3A5302096","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["ΣΟΥΒΛΙΔΟΥ ΣΟΦΙΑ","SOUVLIDOU SOFIA"]}]},{"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":["Θετικές Επιστήμες","Science"]}]},{"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:5302096","https://pergamos.lib.uoa.gr/uoa/dl/object/5302096"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["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.","Introduction: Cancer is one of the most lethal diseases worldwide, due to its complexity and aggressive nature. It is characterized by the uncontrolled growth of cells within the pulmonary tissues and is primarily classified into small cell lung cancer (SCLC) and non-small cell lung cancer (NSCLC). The symptoms initially observed are mostly nonspecific, but they cause concern in the patient, leading to further investigation. Diagnosis requires diagnostic investigation through imaging techniques, as well as the detection of mutations in associated genes. Subsequently, cancer staging is performed, and based on protocols, an appropriate therapeutic approach is selected. In recent years, artificial intelligence (AI) has been increasingly utilized in the medical field for various applications, sparking interest in its reliability and its potential use in complex issues, such as cancer. The aim of the present study is to evaluate the application of AI in the selection of chemotherapy regimens for patients with lung cancer. Methods: To evaluate the application of AI in the selection of chemotherapy regimens for patients with lung cancer, a comparative analysis was conducted between treatment strategies employed in routine clinical practice and those recommended by AI-driven algorithms. In addition to a systematic review of the relevant literature, data were collected from the 401 General Military Hospital of Athens, aiming to facilitate this comparison. The dataset included patient-related information and details of the administered therapies. The objective of this comparative analysis between standard clinical protocols and AI-generated therapeutic proposals was to assess the contribution and reliability of AI in oncological decision-making. Results: The samples were analyzed using descriptive statistics and machine learning methods. Through descriptive statistics, patient samples were categorized based on gender, age group, cancer type, and line of treatment. Using machine learning methods (bagged trees, boosted trees, and neural networks), various factors (such as BSA, age, and cancer type) were correlated with the absolute agreement in the selection of treatment and dosage. Discussion: As in similar studies that have been conducted, a high degree of agreement was observed between the physician's choices and the suggestions of artificial intelligence, particularly in first-line treatment. An interesting finding was the differing significance of gender in the decision-making of the aforementioned. The different approaches proposed by artificial intelligence need to be evaluated, as they are sometimes incorrect and other times offer alternative options. Conclusions: The urgent demand for innovative therapeutic approaches is underscored by the heterogeneity of lung cancer subtypes and the individual variability of the disease. Artificial intelligence holds significant promise as a decision-support tool in clinical oncology, functioning as a complementary asset and offering data-driven solutions to optimize treatment regimens. Nonetheless, the effective integration of such technologies into clinical practice necessitates continuous refinement of algorithms, with particular emphasis on enhancing their precision and capacity for personalization."]},{"key":"dc:title","label":"Title","values":["Αξιολόγηση Χημειοθεραπευτικών Σχημάτων σε Ογκολογικούς Ασθενείς με Χρήση της Τεχνητής Νοημοσύνης"]}]}],"canonical_facts":{"dc:creator":["ΣΟΥΒΛΙΔΟΥ ΣΟΦΙΑ","SOUVLIDOU SOFIA"],"dc:date":["2025"],"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.","Introduction: Cancer is one of the most lethal diseases worldwide, due to its complexity and aggressive nature. It is characterized by the uncontrolled growth of cells within the pulmonary tissues and is primarily classified into small cell lung cancer (SCLC) and non-small cell lung cancer (NSCLC). The symptoms initially observed are mostly nonspecific, but they cause concern in the patient, leading to further investigation. Diagnosis requires diagnostic investigation through imaging techniques, as well as the detection of mutations in associated genes. Subsequently, cancer staging is performed, and based on protocols, an appropriate therapeutic approach is selected. In recent years, artificial intelligence (AI) has been increasingly utilized in the medical field for various applications, sparking interest in its reliability and its potential use in complex issues, such as cancer. The aim of the present study is to evaluate the application of AI in the selection of chemotherapy regimens for patients with lung cancer. Methods: To evaluate the application of AI in the selection of chemotherapy regimens for patients with lung cancer, a comparative analysis was conducted between treatment strategies employed in routine clinical practice and those recommended by AI-driven algorithms. In addition to a systematic review of the relevant literature, data were collected from the 401 General Military Hospital of Athens, aiming to facilitate this comparison. The dataset included patient-related information and details of the administered therapies. The objective of this comparative analysis between standard clinical protocols and AI-generated therapeutic proposals was to assess the contribution and reliability of AI in oncological decision-making. Results: The samples were analyzed using descriptive statistics and machine learning methods. Through descriptive statistics, patient samples were categorized based on gender, age group, cancer type, and line of treatment. Using machine learning methods (bagged trees, boosted trees, and neural networks), various factors (such as BSA, age, and cancer type) were correlated with the absolute agreement in the selection of treatment and dosage. Discussion: As in similar studies that have been conducted, a high degree of agreement was observed between the physician's choices and the suggestions of artificial intelligence, particularly in first-line treatment. An interesting finding was the differing significance of gender in the decision-making of the aforementioned. The different approaches proposed by artificial intelligence need to be evaluated, as they are sometimes incorrect and other times offer alternative options. Conclusions: The urgent demand for innovative therapeutic approaches is underscored by the heterogeneity of lung cancer subtypes and the individual variability of the disease. Artificial intelligence holds significant promise as a decision-support tool in clinical oncology, functioning as a complementary asset and offering data-driven solutions to optimize treatment regimens. Nonetheless, the effective integration of such technologies into clinical practice necessitates continuous refinement of algorithms, with particular emphasis on enhancing their precision and capacity for personalization."],"dc:identifier":["uoadl:5302096","https://pergamos.lib.uoa.gr/uoa/dl/object/5302096"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Αξιολόγηση Χημειοθεραπευτικών Σχημάτων σε Ογκολογικούς Ασθενείς με Χρήση της Τεχνητής Νοημοσύνης"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:37:29Z"}