{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5411615"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5411615","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 στη πρόληψη και αντιμετώπιση των λοιμώξεων στη ΜΕΘ","abstract":"Η ταχεία πρόοδος της τεχνητής νοημοσύνης (ΤΝ) έχει επιφέρει σημαντικές αλλαγές στη διαχείριση των κλινικών δεδομένων, ιδιαίτερα στο απαιτητικό περιβάλλον της Μονάδας Εντατικής Θεραπείας (ΜΕΘ). Η πρόληψη και αντιμετώπιση των νοσοκομειακών λοιμώξεων αποτελεί κρίσιμη προτεραιότητα για τη δημόσια υγεία, και η αξιοποίηση των τεχνολογιών ΤΝ ενδέχεται να προσφέρει καινοτόμες λύσεις. Σκοπός: Η παρούσα συστηματική ανασκόπηση είχε ως στόχο να διερευνήσει τις εφαρμογές της ΤΝ στην πρόληψη και διαχείριση λοιμώξεων στη ΜΕΘ, να αξιολογήσει την αποτελεσματικότητα των υφιστάμενων αλγορίθμων, να αναδείξει τις προκλήσεις και τους περιορισμούς της εφαρμογής τους και να προτείνει κατευθύνσεις για μελλοντική έρευνα. Μέθοδος: Η παρούσα συστηματική ανασκόπηση βασίστηκε στις κατευθυντήριες οδηγίες PRISMA και περιελάμβανε αναζήτηση σε πέντε διεθνείς βάσεις δεδομένων για το διάστημα 2020–2025. Η ποιότητα των μελετών αξιολογήθηκε με τα εργαλεία QATSDD και Level of Evidence, ώστε να διασφαλιστεί η μεθοδολογική εγκυρότητα και η τεκμηριωτική ισχύς των ευρημάτων. Αποτελέσματα: Στην τελική ανάλυση συμπεριλήφθηκαν 31 μελέτες με ποικίλες μεθοδολογίες. Οι κύριες εφαρμογές της ΤΝ αφορούσαν την πρόβλεψη σηψαιμίας, πνευμονίας σχετιζόμενης με μηχανικό αερισμό και λοιμώξεων από κεντρικούς καθετήρες, καθώς και την υποστήριξη αντιμικροβιακής θεραπείας. Τα περισσότερα μοντέλα εμφάνισαν υψηλότερη ακρίβεια και ταχύτητα από τις παραδοσιακές μεθόδους, αν και η ετερογένεια των μελετών περιορίζει τη γενίκευση των ευρημάτων. Συμπεράσματα: Η ΤΝ διαθέτει σημαντικό δυναμικό για την ενίσχυση της πρόληψης και αντιμετώπισης λοιμώξεων στη ΜΕΘ, συμβάλλοντας στην έγκαιρη διάγνωση, τη βελτιστοποίηση της θεραπείας και τον περιορισμό της αντιμικροβιακής αντοχής. Απαιτείται περαιτέρω έρευνα με αυστηρό σχεδιασμό, καθώς και ενίσχυση της διαλειτουργικότητας, της επεξηγησιμότητας και της αποδοχής των ΤΝ εφαρμογών στην κλινική πράξη.","abstract_html":"Η ταχεία πρόοδος της τεχνητής νοημοσύνης (ΤΝ) έχει επιφέρει σημαντικές αλλαγές στη διαχείριση των κλινικών δεδομένων, ιδιαίτερα στο απαιτητικό περιβάλλον της Μονάδας Εντατικής Θεραπείας (ΜΕΘ). Η πρόληψη και αντιμετώπιση των νοσοκομειακών λοιμώξεων αποτελεί κρίσιμη προτεραιότητα για τη δημόσια υγεία, και η αξιοποίηση των τεχνολογιών ΤΝ ενδέχεται να προσφέρει καινοτόμες λύσεις. Σκοπός: Η παρούσα συστηματική ανασκόπηση είχε ως στόχο να διερευνήσει τις εφαρμογές της ΤΝ στην πρόληψη και διαχείριση λοιμώξεων στη ΜΕΘ, να αξιολογήσει την αποτελεσματικότητα των υφιστάμενων αλγορίθμων, να αναδείξει τις προκλήσεις και τους περιορισμούς της εφαρμογής τους και να προτείνει κατευθύνσεις για μελλοντική έρευνα. Μέθοδος: Η παρούσα συστηματική ανασκόπηση βασίστηκε στις κατευθυντήριες οδηγίες PRISMA και περιελάμβανε αναζήτηση σε πέντε διεθνείς βάσεις δεδομένων για το διάστημα 2020–2025. Η ποιότητα των μελετών αξιολογήθηκε με τα εργαλεία QATSDD και Level of Evidence, ώστε να διασφαλιστεί η μεθοδολογική εγκυρότητα και η τεκμηριωτική ισχύς των ευρημάτων. Αποτελέσματα: Στην τελική ανάλυση συμπεριλήφθηκαν 31 μελέτες με ποικίλες μεθοδολογίες. Οι κύριες εφαρμογές της ΤΝ αφορούσαν την πρόβλεψη σηψαιμίας, πνευμονίας σχετιζόμενης με μηχανικό αερισμό και λοιμώξεων από κεντρικούς καθετήρες, καθώς και την υποστήριξη αντιμικροβιακής θεραπείας. Τα περισσότερα μοντέλα εμφάνισαν υψηλότερη ακρίβεια και ταχύτητα από τις παραδοσιακές μεθόδους, αν και η ετερογένεια των μελετών περιορίζει τη γενίκευση των ευρημάτων. Συμπεράσματα: Η ΤΝ διαθέτει σημαντικό δυναμικό για την ενίσχυση της πρόληψης και αντιμετώπισης λοιμώξεων στη ΜΕΘ, συμβάλλοντας στην έγκαιρη διάγνωση, τη βελτιστοποίηση της θεραπείας και τον περιορισμό της αντιμικροβιακής αντοχής. Απαιτείται περαιτέρω έρευνα με αυστηρό σχεδιασμό, καθώς και ενίσχυση της διαλειτουργικότητας, της επεξηγησιμότητας και της αποδοχής των ΤΝ εφαρμογών στην κλινική πράξη.","abstract_has_math":false,"creators":["Λυγκώνη Σπυριδούλα","Lygkoni Spyridoula"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2026,"date_issued":"2026","date_published":"2026","updated_at":"2026-11-19T05:19:50Z","subjects":["Επιστήμες Υγείας","Health Sciences"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5411615"],"render_values":[{"text":"uoadl:5411615","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5411615","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5411615","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%3A5411615","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Λυγκώνη Σπυριδούλα","Lygkoni Spyridoula"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2026"]},{"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:5411615","https://pergamos.lib.uoa.gr/uoa/dl/object/5411615"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η ταχεία πρόοδος της τεχνητής νοημοσύνης (ΤΝ) έχει επιφέρει σημαντικές αλλαγές στη διαχείριση των κλινικών δεδομένων, ιδιαίτερα στο απαιτητικό περιβάλλον της Μονάδας Εντατικής Θεραπείας (ΜΕΘ). Η πρόληψη και αντιμετώπιση των νοσοκομειακών λοιμώξεων αποτελεί κρίσιμη προτεραιότητα για τη δημόσια υγεία, και η αξιοποίηση των τεχνολογιών ΤΝ ενδέχεται να προσφέρει καινοτόμες λύσεις. Σκοπός: Η παρούσα συστηματική ανασκόπηση είχε ως στόχο να διερευνήσει τις εφαρμογές της ΤΝ στην πρόληψη και διαχείριση λοιμώξεων στη ΜΕΘ, να αξιολογήσει την αποτελεσματικότητα των υφιστάμενων αλγορίθμων, να αναδείξει τις προκλήσεις και τους περιορισμούς της εφαρμογής τους και να προτείνει κατευθύνσεις για μελλοντική έρευνα. Μέθοδος: Η παρούσα συστηματική ανασκόπηση βασίστηκε στις κατευθυντήριες οδηγίες PRISMA και περιελάμβανε αναζήτηση σε πέντε διεθνείς βάσεις δεδομένων για το διάστημα 2020–2025. Η ποιότητα των μελετών αξιολογήθηκε με τα εργαλεία QATSDD και Level of Evidence, ώστε να διασφαλιστεί η μεθοδολογική εγκυρότητα και η τεκμηριωτική ισχύς των ευρημάτων. Αποτελέσματα: Στην τελική ανάλυση συμπεριλήφθηκαν 31 μελέτες με ποικίλες μεθοδολογίες. Οι κύριες εφαρμογές της ΤΝ αφορούσαν την πρόβλεψη σηψαιμίας, πνευμονίας σχετιζόμενης με μηχανικό αερισμό και λοιμώξεων από κεντρικούς καθετήρες, καθώς και την υποστήριξη αντιμικροβιακής θεραπείας. Τα περισσότερα μοντέλα εμφάνισαν υψηλότερη ακρίβεια και ταχύτητα από τις παραδοσιακές μεθόδους, αν και η ετερογένεια των μελετών περιορίζει τη γενίκευση των ευρημάτων. Συμπεράσματα: Η ΤΝ διαθέτει σημαντικό δυναμικό για την ενίσχυση της πρόληψης και αντιμετώπισης λοιμώξεων στη ΜΕΘ, συμβάλλοντας στην έγκαιρη διάγνωση, τη βελτιστοποίηση της θεραπείας και τον περιορισμό της αντιμικροβιακής αντοχής. Απαιτείται περαιτέρω έρευνα με αυστηρό σχεδιασμό, καθώς και ενίσχυση της διαλειτουργικότητας, της επεξηγησιμότητας και της αποδοχής των ΤΝ εφαρμογών στην κλινική πράξη.","The rapid advancement of artificial intelligence (AI) has significantly transformed clinical data management, especially within the demanding environment of the Intensive Care Unit (ICU). The prevention and management of healthcare-associated infections remain a major public health priority, and AI technologies may offer innovative, data-driven solutions. Purpose: This systematic review aimed to investigate the applications of AI in the prevention and management of infections in the ICU, to evaluate the effectiveness of existing algorithms, identify implementation challenges, and propose directions for future research. Methods: This systematic review followed PRISMA guidelines and included a search across five international databases covering the period 2020–2025. The quality and strength of evidence were assessed using the QATSDD tool and the Level of Evidence framework to ensure methodological rigor. Results: A total of 31 studies with diverse methodologies were included. Key AI applications focused on predicting sepsis, ventilator-associated pneumonia, and central line-associated infections, as well as supporting antimicrobial therapy decisions. Most models outperformed traditional methods in terms of accuracy and speed, although study heterogeneity limits generalizability. Conclusions: AI shows considerable potential in enhancing infection prevention and control in the ICU, by supporting early diagnosis, personalized treatment optimization, and reduction of antimicrobial resistance. Further research with robust study designs, enhanced model interpretability, interoperability, and clinical acceptance is warranted."]},{"key":"dc:title","label":"Title","values":["Η χρήση της τεχνητής νοημοσύνης στη πρόληψη και αντιμετώπιση των λοιμώξεων στη ΜΕΘ"]}]}],"canonical_facts":{"dc:creator":["Λυγκώνη Σπυριδούλα","Lygkoni Spyridoula"],"dc:date":["2026"],"dc:description":["Η ταχεία πρόοδος της τεχνητής νοημοσύνης (ΤΝ) έχει επιφέρει σημαντικές αλλαγές στη διαχείριση των κλινικών δεδομένων, ιδιαίτερα στο απαιτητικό περιβάλλον της Μονάδας Εντατικής Θεραπείας (ΜΕΘ). Η πρόληψη και αντιμετώπιση των νοσοκομειακών λοιμώξεων αποτελεί κρίσιμη προτεραιότητα για τη δημόσια υγεία, και η αξιοποίηση των τεχνολογιών ΤΝ ενδέχεται να προσφέρει καινοτόμες λύσεις. Σκοπός: Η παρούσα συστηματική ανασκόπηση είχε ως στόχο να διερευνήσει τις εφαρμογές της ΤΝ στην πρόληψη και διαχείριση λοιμώξεων στη ΜΕΘ, να αξιολογήσει την αποτελεσματικότητα των υφιστάμενων αλγορίθμων, να αναδείξει τις προκλήσεις και τους περιορισμούς της εφαρμογής τους και να προτείνει κατευθύνσεις για μελλοντική έρευνα. Μέθοδος: Η παρούσα συστηματική ανασκόπηση βασίστηκε στις κατευθυντήριες οδηγίες PRISMA και περιελάμβανε αναζήτηση σε πέντε διεθνείς βάσεις δεδομένων για το διάστημα 2020–2025. Η ποιότητα των μελετών αξιολογήθηκε με τα εργαλεία QATSDD και Level of Evidence, ώστε να διασφαλιστεί η μεθοδολογική εγκυρότητα και η τεκμηριωτική ισχύς των ευρημάτων. Αποτελέσματα: Στην τελική ανάλυση συμπεριλήφθηκαν 31 μελέτες με ποικίλες μεθοδολογίες. Οι κύριες εφαρμογές της ΤΝ αφορούσαν την πρόβλεψη σηψαιμίας, πνευμονίας σχετιζόμενης με μηχανικό αερισμό και λοιμώξεων από κεντρικούς καθετήρες, καθώς και την υποστήριξη αντιμικροβιακής θεραπείας. Τα περισσότερα μοντέλα εμφάνισαν υψηλότερη ακρίβεια και ταχύτητα από τις παραδοσιακές μεθόδους, αν και η ετερογένεια των μελετών περιορίζει τη γενίκευση των ευρημάτων. Συμπεράσματα: Η ΤΝ διαθέτει σημαντικό δυναμικό για την ενίσχυση της πρόληψης και αντιμετώπισης λοιμώξεων στη ΜΕΘ, συμβάλλοντας στην έγκαιρη διάγνωση, τη βελτιστοποίηση της θεραπείας και τον περιορισμό της αντιμικροβιακής αντοχής. Απαιτείται περαιτέρω έρευνα με αυστηρό σχεδιασμό, καθώς και ενίσχυση της διαλειτουργικότητας, της επεξηγησιμότητας και της αποδοχής των ΤΝ εφαρμογών στην κλινική πράξη.","The rapid advancement of artificial intelligence (AI) has significantly transformed clinical data management, especially within the demanding environment of the Intensive Care Unit (ICU). The prevention and management of healthcare-associated infections remain a major public health priority, and AI technologies may offer innovative, data-driven solutions. Purpose: This systematic review aimed to investigate the applications of AI in the prevention and management of infections in the ICU, to evaluate the effectiveness of existing algorithms, identify implementation challenges, and propose directions for future research. Methods: This systematic review followed PRISMA guidelines and included a search across five international databases covering the period 2020–2025. The quality and strength of evidence were assessed using the QATSDD tool and the Level of Evidence framework to ensure methodological rigor. Results: A total of 31 studies with diverse methodologies were included. Key AI applications focused on predicting sepsis, ventilator-associated pneumonia, and central line-associated infections, as well as supporting antimicrobial therapy decisions. Most models outperformed traditional methods in terms of accuracy and speed, although study heterogeneity limits generalizability. Conclusions: AI shows considerable potential in enhancing infection prevention and control in the ICU, by supporting early diagnosis, personalized treatment optimization, and reduction of antimicrobial resistance. Further research with robust study designs, enhanced model interpretability, interoperability, and clinical acceptance is warranted."],"dc:identifier":["uoadl:5411615","https://pergamos.lib.uoa.gr/uoa/dl/object/5411615"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Επιστήμες Υγείας","Health Sciences"],"dc:title":["Η χρήση της τεχνητής νοημοσύνης στη πρόληψη και αντιμετώπιση των λοιμώξεων στη ΜΕΘ"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:19:50Z"}