{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5449331"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5449331","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 προγνωστικοί δείκτες για την ποιότητα και τη μορφολογία των ανθρώπινων ωαρίων στην εξωσωματική γονιμοποίηση","abstract":"Η ταχεία πρόοδος της Τεχνητής Νοημοσύνης (ΤΝ) έχει αρχίσει να ασκεί σημαντική επίδραση στη κλινική πράξη της Ιατρικής, με ιδιαίτερη έμφαση στο πεδίο της εξωσωματικής γονιμοποίησης (IVF). Η παρούσα μελέτη επιχειρεί μια συστηματική βιβλιογραφική επισκόπηση 23 εμπειρικών ερευνών και μελετών ανασκόπησης που πραγματοποιήθηκαν μεταξύ 2014-2025, με έμφαση στην ανάπτυξη και την αξιοποίηση προγνωστικών δεικτών που στοχεύουν στην αντικειμενικότερη εκτίμηση της αναπαραγωγικής δυναμικής ωαρίων και εμβρύων. Η παρούσα μελέτη αναγνωρίζοντας ότι η επιτυχία της IVF (π.χ. β-hCG, κλινική κύηση ή ζώσα γέννηση) είναι ένα πολυπαραγοντικό αποτέλεσμα αλληλοεπιδρώντων βιολογικών και εργαστηριακών παραγόντων εξετάζει πώς η ΤΝ μπορεί να μειώσει την υποκειμενικότητα στην IVF και να βελτιώσει την πρόβλεψη κλινικών εκβάσεων (βλαστοκύστη, εμφύτευση, κύηση/ζώσα γέννηση), αξιοποιώντας δεδομένα από όλο το «μονοπάτι» της της διαδικασίας IVF: από τη διέγερση των ωοθηκών μέχρι την επιλογή του εμβρύου. Στο πρώτο μέρος παρουσιάζονται οι θεωρητικές αφετηρίες, η διαδρομή της IVF και οι τεχνολογικές συνιστώσες της ΤΝ στην IVF. Η ανάλυση αναδεικνύει εφαρμογές της ΤΝ σε τρία βασικά πεδία: (α) την εξατομίκευση ττης ελεγχόμενης ωοθηκικής διέγερσης, όπου μοντέλα μηχανικής μάθησης υποστηρίζουν την επιλογή αρχικής δόσης FSH και τον χρονισμό του trigger, αξιοποιώντας κλασικούς δείκτες ωοθηκικού αποθέματος (ηλικία, BMI, AMH, AFC κ.ά.) με στόχο τη βελτιστοποίηση της απόδοσης σε ώριμα ωάρια και τη μείωση ακραίων αποκρίσεων, καθώς και την ενσωμάτωση τέτοιων εργαλείων στην πραγματική κλινική ροή βελτιστοποιώντας την πρώιμη αξιολόγηση του ωοκυττάρου, (β) την εμβρυολογική αξιολόγηση και την επιλογή εμβρύων, με ιδιαίτερη έμφαση στα δεδομένα time-lapse και στη βαθιά μάθηση (DL), όπου οι προγνωστικοί δείκτες δεν περιορίζονται σε στατικά μορφολογικά κριτήρια αλλά εκφράζονται ως σύνθετα μορφοκινητικά μοτίβα (latent biomarkers) που αποτυπώνουν τη δυναμική ανάπτυξη, και όπου ενδείκνυται, τη γενετική πληροφορία (PGT-A) με τυποποιημένη ερμηνεία ενδυναμώνοντας τη δυναμική αξιολόγηση του εμβρύου και (γ) βιοδείκτες και παθοφυσιολογικοί άξονες που σχετίζονται με την ποιότητα των ωαρίων ,η και των εμβρύων, όπως το μιτοχονδριακό DNA (mtDNA) ως δείκτης ενεργειακής κατάστασης, καθώς και το οξειδωτικό στρες/ROS, τα οποία συνδέονται με τη κυτταρική βλάβη και τη μειωμένη βιωσιμότητα, ενώ καταγράφεται η ερευνητική τάση προς μη επεμβατικούς δείκτες και νέες μετρήσεις (π.χ. μεταβολικά προφίλ) αυξάνοντας την πιθανότητα επιλογής του εμβρύου με τη μεγαλύτερη κλινική δυναμική. Παράλληλα, η εργασία υπογραμμίζει κρίσιμες προκλήσεις για την κλινική μετάφραση: την ετερογένεια μεταξύ κέντρων, την έλλειψη τυποποιημένων πρωτοκόλλων συλλογής/αναφοράς και τον διαφοροποιημένο ορισμό της «επιτυχίας», που περιορίζουν την εξωτερική εγκυρότητα των μοντέλων, καθώς και το ζήτημα της μεροληψίας (bias) όταν τα δεδομένα εκπαίδευσης δεν αποτυπώνουν επαρκώς την ποικιλομορφία ασθενών και πρακτικών. Συνεπώς, τονίζεται η ανάγκη για πολυκεντρική εξωτερική επικύρωση, εναρμόνιση των διαδικασιών καταγραφής και προσεκτική ενσωμάτωση της ΤΝ ως υποστηρικτικού (και όχι αυτόνομου) μηχανισμού λήψης αποφάσεων, με σαφή κλινικά τελικά σημεία και έλεγχο ισότητας/δικαιοσύνης στις προβλέψεις. Πέραν των τεχνικών και κλινικών ζητημάτων, η αξιοποίηση της ΤΝ στην IVF εγείρει ένα πλέγμα ηθικών και κοινωνιολογικών ερωτημάτων, καθώς μεταβάλλει τον τρόπο με τον οποίο ορίζεται και αξιολογείται η «ποιότητα» του εμβρύου και ενδέχεται να αναδιατάξει την ισορροπία ευθύνης μεταξύ κλινικού, εμβρυολόγου και υπολογιστικού συστήματος. Η αλγοριθμική κατάταξη, ακόμη και όταν λειτουργεί ως υποστηρικτικό εργαλείο, μπορεί να επηρεάσει τις αποφάσεις των υποψήφιων γονέων και να ενισχύσει την τάση «τεχνολογικοποίησης» της αναπαραγωγής, ιδίως όταν παρουσιαζεται ως ουδέτερη ή «αντικειμενική» πρόγνωση. Παράλληλα, ανακύπτουν ζητήματα διαφάνειαςή και ερμηνευσιμότητας, λογοδοσίας σε περιπτώσεις σφάλματος, καθώς και ιδιωτικότητας και διαχείρισης ευαίσθητων βιοϊατρικών δεδομένων. Τέλος, σε κοινωνικό επίπεδο, η άνιση πρόσβαση σε προηγμένα συστήματα ΤΝ και time-lapse τεχνολογίες μπορεί να διευρύνει υφιστάμενες ανισότητες, ενώ η μεροληψία (bias) σε δεδομένα εκπαίδευσης δύναται να παράγει άνισες προβλέψεις για διαφορετικούς πληθυσμούς ασθενών. Ως εκ τούτου, η ενσωμάτωση της ΤΝ προϋποθέτει σαφή πλαίσια ενημερωμένης συναίνεσης, μηχανισμούς ελέγχου δικαιοσύνης/ισότητας και θεσμικές εγγυήσεις ώστε η καινοτομία να υπηρετεί την κλινική φροντίδα χωρίς να υπονομεύει την αυτονομία και την κοινωνική εμπιστοσύνη.","abstract_html":"Η ταχεία πρόοδος της Τεχνητής Νοημοσύνης (ΤΝ) έχει αρχίσει να ασκεί σημαντική επίδραση στη κλινική πράξη της Ιατρικής, με ιδιαίτερη έμφαση στο πεδίο της εξωσωματικής γονιμοποίησης (IVF). Η παρούσα μελέτη επιχειρεί μια συστηματική βιβλιογραφική επισκόπηση 23 εμπειρικών ερευνών και μελετών ανασκόπησης που πραγματοποιήθηκαν μεταξύ 2014-2025, με έμφαση στην ανάπτυξη και την αξιοποίηση προγνωστικών δεικτών που στοχεύουν στην αντικειμενικότερη εκτίμηση της αναπαραγωγικής δυναμικής ωαρίων και εμβρύων. Η παρούσα μελέτη αναγνωρίζοντας ότι η επιτυχία της IVF (π.χ. β-hCG, κλινική κύηση ή ζώσα γέννηση) είναι ένα πολυπαραγοντικό αποτέλεσμα αλληλοεπιδρώντων βιολογικών και εργαστηριακών παραγόντων εξετάζει πώς η ΤΝ μπορεί να μειώσει την υποκειμενικότητα στην IVF και να βελτιώσει την πρόβλεψη κλινικών εκβάσεων (βλαστοκύστη, εμφύτευση, κύηση/ζώσα γέννηση), αξιοποιώντας δεδομένα από όλο το «μονοπάτι» της της διαδικασίας IVF: από τη διέγερση των ωοθηκών μέχρι την επιλογή του εμβρύου. Στο πρώτο μέρος παρουσιάζονται οι θεωρητικές αφετηρίες, η διαδρομή της IVF και οι τεχνολογικές συνιστώσες της ΤΝ στην IVF. Η ανάλυση αναδεικνύει εφαρμογές της ΤΝ σε τρία βασικά πεδία: (α) την εξατομίκευση ττης ελεγχόμενης ωοθηκικής διέγερσης, όπου μοντέλα μηχανικής μάθησης υποστηρίζουν την επιλογή αρχικής δόσης FSH και τον χρονισμό του trigger, αξιοποιώντας κλασικούς δείκτες ωοθηκικού αποθέματος (ηλικία, BMI, AMH, AFC κ.ά.) με στόχο τη βελτιστοποίηση της απόδοσης σε ώριμα ωάρια και τη μείωση ακραίων αποκρίσεων, καθώς και την ενσωμάτωση τέτοιων εργαλείων στην πραγματική κλινική ροή βελτιστοποιώντας την πρώιμη αξιολόγηση του ωοκυττάρου, (β) την εμβρυολογική αξιολόγηση και την επιλογή εμβρύων, με ιδιαίτερη έμφαση στα δεδομένα time-lapse και στη βαθιά μάθηση (DL), όπου οι προγνωστικοί δείκτες δεν περιορίζονται σε στατικά μορφολογικά κριτήρια αλλά εκφράζονται ως σύνθετα μορφοκινητικά μοτίβα (latent biomarkers) που αποτυπώνουν τη δυναμική ανάπτυξη, και όπου ενδείκνυται, τη γενετική πληροφορία (PGT-A) με τυποποιημένη ερμηνεία ενδυναμώνοντας τη δυναμική αξιολόγηση του εμβρύου και (γ) βιοδείκτες και παθοφυσιολογικοί άξονες που σχετίζονται με την ποιότητα των ωαρίων ,η και των εμβρύων, όπως το μιτοχονδριακό DNA (mtDNA) ως δείκτης ενεργειακής κατάστασης, καθώς και το οξειδωτικό στρες/ROS, τα οποία συνδέονται με τη κυτταρική βλάβη και τη μειωμένη βιωσιμότητα, ενώ καταγράφεται η ερευνητική τάση προς μη επεμβατικούς δείκτες και νέες μετρήσεις (π.χ. μεταβολικά προφίλ) αυξάνοντας την πιθανότητα επιλογής του εμβρύου με τη μεγαλύτερη κλινική δυναμική. Παράλληλα, η εργασία υπογραμμίζει κρίσιμες προκλήσεις για την κλινική μετάφραση: την ετερογένεια μεταξύ κέντρων, την έλλειψη τυποποιημένων πρωτοκόλλων συλλογής/αναφοράς και τον διαφοροποιημένο ορισμό της «επιτυχίας», που περιορίζουν την εξωτερική εγκυρότητα των μοντέλων, καθώς και το ζήτημα της μεροληψίας (bias) όταν τα δεδομένα εκπαίδευσης δεν αποτυπώνουν επαρκώς την ποικιλομορφία ασθενών και πρακτικών. Συνεπώς, τονίζεται η ανάγκη για πολυκεντρική εξωτερική επικύρωση, εναρμόνιση των διαδικασιών καταγραφής και προσεκτική ενσωμάτωση της ΤΝ ως υποστηρικτικού (και όχι αυτόνομου) μηχανισμού λήψης αποφάσεων, με σαφή κλινικά τελικά σημεία και έλεγχο ισότητας/δικαιοσύνης στις προβλέψεις. Πέραν των τεχνικών και κλινικών ζητημάτων, η αξιοποίηση της ΤΝ στην IVF εγείρει ένα πλέγμα ηθικών και κοινωνιολογικών ερωτημάτων, καθώς μεταβάλλει τον τρόπο με τον οποίο ορίζεται και αξιολογείται η «ποιότητα» του εμβρύου και ενδέχεται να αναδιατάξει την ισορροπία ευθύνης μεταξύ κλινικού, εμβρυολόγου και υπολογιστικού συστήματος. Η αλγοριθμική κατάταξη, ακόμη και όταν λειτουργεί ως υποστηρικτικό εργαλείο, μπορεί να επηρεάσει τις αποφάσεις των υποψήφιων γονέων και να ενισχύσει την τάση «τεχνολογικοποίησης» της αναπαραγωγής, ιδίως όταν παρουσιαζεται ως ουδέτερη ή «αντικειμενική» πρόγνωση. Παράλληλα, ανακύπτουν ζητήματα διαφάνειαςή και ερμηνευσιμότητας, λογοδοσίας σε περιπτώσεις σφάλματος, καθώς και ιδιωτικότητας και διαχείρισης ευαίσθητων βιοϊατρικών δεδομένων. Τέλος, σε κοινωνικό επίπεδο, η άνιση πρόσβαση σε προηγμένα συστήματα ΤΝ και time-lapse τεχνολογίες μπορεί να διευρύνει υφιστάμενες ανισότητες, ενώ η μεροληψία (bias) σε δεδομένα εκπαίδευσης δύναται να παράγει άνισες προβλέψεις για διαφορετικούς πληθυσμούς ασθενών. Ως εκ τούτου, η ενσωμάτωση της ΤΝ προϋποθέτει σαφή πλαίσια ενημερωμένης συναίνεσης, μηχανισμούς ελέγχου δικαιοσύνης/ισότητας και θεσμικές εγγυήσεις ώστε η καινοτομία να υπηρετεί την κλινική φροντίδα χωρίς να υπονομεύει την αυτονομία και την κοινωνική εμπιστοσύνη.","abstract_has_math":false,"creators":["Τελάκη Ειρήνη","Telaki Eirini"],"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":"2026-11-19T05:20:44Z","subjects":["Επιστήμες Υγείας","Health Sciences"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5449331"],"render_values":[{"text":"uoadl:5449331","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5449331","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5449331","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%3A5449331","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Τελάκη Ειρήνη","Telaki Eirini"]}]},{"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:5449331","https://pergamos.lib.uoa.gr/uoa/dl/object/5449331"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η ταχεία πρόοδος της Τεχνητής Νοημοσύνης (ΤΝ) έχει αρχίσει να ασκεί σημαντική επίδραση στη κλινική πράξη της Ιατρικής, με ιδιαίτερη έμφαση στο πεδίο της εξωσωματικής γονιμοποίησης (IVF). Η παρούσα μελέτη επιχειρεί μια συστηματική βιβλιογραφική επισκόπηση 23 εμπειρικών ερευνών και μελετών ανασκόπησης που πραγματοποιήθηκαν μεταξύ 2014-2025, με έμφαση στην ανάπτυξη και την αξιοποίηση προγνωστικών δεικτών που στοχεύουν στην αντικειμενικότερη εκτίμηση της αναπαραγωγικής δυναμικής ωαρίων και εμβρύων. Η παρούσα μελέτη αναγνωρίζοντας ότι η επιτυχία της IVF (π.χ. β-hCG, κλινική κύηση ή ζώσα γέννηση) είναι ένα πολυπαραγοντικό αποτέλεσμα αλληλοεπιδρώντων βιολογικών και εργαστηριακών παραγόντων εξετάζει πώς η ΤΝ μπορεί να μειώσει την υποκειμενικότητα στην IVF και να βελτιώσει την πρόβλεψη κλινικών εκβάσεων (βλαστοκύστη, εμφύτευση, κύηση/ζώσα γέννηση), αξιοποιώντας δεδομένα από όλο το «μονοπάτι» της της διαδικασίας IVF: από τη διέγερση των ωοθηκών μέχρι την επιλογή του εμβρύου. Στο πρώτο μέρος παρουσιάζονται οι θεωρητικές αφετηρίες, η διαδρομή της IVF και οι τεχνολογικές συνιστώσες της ΤΝ στην IVF. Η ανάλυση αναδεικνύει εφαρμογές της ΤΝ σε τρία βασικά πεδία: (α) την εξατομίκευση ττης ελεγχόμενης ωοθηκικής διέγερσης, όπου μοντέλα μηχανικής μάθησης υποστηρίζουν την επιλογή αρχικής δόσης FSH και τον χρονισμό του trigger, αξιοποιώντας κλασικούς δείκτες ωοθηκικού αποθέματος (ηλικία, BMI, AMH, AFC κ.ά.) με στόχο τη βελτιστοποίηση της απόδοσης σε ώριμα ωάρια και τη μείωση ακραίων αποκρίσεων, καθώς και την ενσωμάτωση τέτοιων εργαλείων στην πραγματική κλινική ροή βελτιστοποιώντας την πρώιμη αξιολόγηση του ωοκυττάρου, (β) την εμβρυολογική αξιολόγηση και την επιλογή εμβρύων, με ιδιαίτερη έμφαση στα δεδομένα time-lapse και στη βαθιά μάθηση (DL), όπου οι προγνωστικοί δείκτες δεν περιορίζονται σε στατικά μορφολογικά κριτήρια αλλά εκφράζονται ως σύνθετα μορφοκινητικά μοτίβα (latent biomarkers) που αποτυπώνουν τη δυναμική ανάπτυξη, και όπου ενδείκνυται, τη γενετική πληροφορία (PGT-A) με τυποποιημένη ερμηνεία ενδυναμώνοντας τη δυναμική αξιολόγηση του εμβρύου και (γ) βιοδείκτες και παθοφυσιολογικοί άξονες που σχετίζονται με την ποιότητα των ωαρίων ,η και των εμβρύων, όπως το μιτοχονδριακό DNA (mtDNA) ως δείκτης ενεργειακής κατάστασης, καθώς και το οξειδωτικό στρες/ROS, τα οποία συνδέονται με τη κυτταρική βλάβη και τη μειωμένη βιωσιμότητα, ενώ καταγράφεται η ερευνητική τάση προς μη επεμβατικούς δείκτες και νέες μετρήσεις (π.χ. μεταβολικά προφίλ) αυξάνοντας την πιθανότητα επιλογής του εμβρύου με τη μεγαλύτερη κλινική δυναμική. Παράλληλα, η εργασία υπογραμμίζει κρίσιμες προκλήσεις για την κλινική μετάφραση: την ετερογένεια μεταξύ κέντρων, την έλλειψη τυποποιημένων πρωτοκόλλων συλλογής/αναφοράς και τον διαφοροποιημένο ορισμό της «επιτυχίας», που περιορίζουν την εξωτερική εγκυρότητα των μοντέλων, καθώς και το ζήτημα της μεροληψίας (bias) όταν τα δεδομένα εκπαίδευσης δεν αποτυπώνουν επαρκώς την ποικιλομορφία ασθενών και πρακτικών. Συνεπώς, τονίζεται η ανάγκη για πολυκεντρική εξωτερική επικύρωση, εναρμόνιση των διαδικασιών καταγραφής και προσεκτική ενσωμάτωση της ΤΝ ως υποστηρικτικού (και όχι αυτόνομου) μηχανισμού λήψης αποφάσεων, με σαφή κλινικά τελικά σημεία και έλεγχο ισότητας/δικαιοσύνης στις προβλέψεις. Πέραν των τεχνικών και κλινικών ζητημάτων, η αξιοποίηση της ΤΝ στην IVF εγείρει ένα πλέγμα ηθικών και κοινωνιολογικών ερωτημάτων, καθώς μεταβάλλει τον τρόπο με τον οποίο ορίζεται και αξιολογείται η «ποιότητα» του εμβρύου και ενδέχεται να αναδιατάξει την ισορροπία ευθύνης μεταξύ κλινικού, εμβρυολόγου και υπολογιστικού συστήματος. Η αλγοριθμική κατάταξη, ακόμη και όταν λειτουργεί ως υποστηρικτικό εργαλείο, μπορεί να επηρεάσει τις αποφάσεις των υποψήφιων γονέων και να ενισχύσει την τάση «τεχνολογικοποίησης» της αναπαραγωγής, ιδίως όταν παρουσιαζεται ως ουδέτερη ή «αντικειμενική» πρόγνωση. Παράλληλα, ανακύπτουν ζητήματα διαφάνειαςή και ερμηνευσιμότητας, λογοδοσίας σε περιπτώσεις σφάλματος, καθώς και ιδιωτικότητας και διαχείρισης ευαίσθητων βιοϊατρικών δεδομένων. Τέλος, σε κοινωνικό επίπεδο, η άνιση πρόσβαση σε προηγμένα συστήματα ΤΝ και time-lapse τεχνολογίες μπορεί να διευρύνει υφιστάμενες ανισότητες, ενώ η μεροληψία (bias) σε δεδομένα εκπαίδευσης δύναται να παράγει άνισες προβλέψεις για διαφορετικούς πληθυσμούς ασθενών. Ως εκ τούτου, η ενσωμάτωση της ΤΝ προϋποθέτει σαφή πλαίσια ενημερωμένης συναίνεσης, μηχανισμούς ελέγχου δικαιοσύνης/ισότητας και θεσμικές εγγυήσεις ώστε η καινοτομία να υπηρετεί την κλινική φροντίδα χωρίς να υπονομεύει την αυτονομία και την κοινωνική εμπιστοσύνη.","The rapid advancement of Artificial Intelligence (AI) has begun to exert a significant impact on the clinical practice of Medicine, with a particular emphasis on the field of in vitro fertilization (IVF). The present study attempts a systematic literature review of 23 empirical studies and review papers conducted between 2014 and 2025, focusing on the development and utilization of predictive indicators aimed at a more objective assessment of the reproductive potential of oocytes and embryos. Recognizing that IVF success (e.g., β-hCG, clinical pregnancy, or live birth) is a multifactorial outcome of interacting biological and laboratory factors, this study examines how AI can reduce subjectivity in IVF and improve the prediction of clinical outcomes (blastocyst, implantation, pregnancy/live birth) by leveraging data from the entire \"pathway\" of the IVF process: from ovarian stimulation to embryo selection. The first part presents the theoretical foundations, the IVF journey, and the technological components of AI in IVF. The analysis highlights AI applications in three key areas: • (a) The personalization of controlled ovarian stimulation: where machine learning models support the selection of the initial FSH dose and trigger timing, utilizing classic ovarian reserve indicators (age, BMI, AMH, AFC, etc.) to optimize mature oocyte yield and reduce extreme responses, while integrating such tools into the actual clinical workflow to optimize early oocyte assessment. • (b) Embryological assessment and embryo selection: with a particular emphasis on time-lapse data and deep learning (DL), where predictive indicators are not limited to static morphological criteria but are expressed as complex morphokinetic patterns (latent biomarkers) that capture dynamic development and, where applicable, genetic information (PGT-A) with standardized interpretation, thereby strengthening the dynamic assessment of the embryo. • (c) Biomarkers and pathophysiological axes related to oocyte and/or embryo quality: such as mitochondrial DNA (mtDNA) as an indicator of energy status, as well as oxidative stress/ROS, which are linked to cellular damage and reduced viability, while recording the research trend toward non-invasive markers and novel measurements (e.g., metabolic profiles), increasing the probability of selecting the embryo with the highest clinical potential. Concurrently, the paper underscores critical challenges for clinical translation: inter-center heterogeneity, the lack of standardized collection/reporting protocols, and the varied definition of \"success,\" which limit the external validity of the models, as well as the issue of bias when training data does not adequately capture the diversity of patients and practices. Consequently, the need for multicenter external validation, harmonization of recording procedures, and careful integration of AI as a supportive (rather than autonomous) decision-making mechanism is emphasized, with clear clinical endpoints and equity/fairness auditing in predictions. Beyond technical and clinical issues, the utilization of AI in IVF raises a complex web of ethical and sociological questions, as it alters the way embryo \"quality\" is defined and evaluated, and may rearrange the balance of responsibility among the clinician, the embryologist, and the computational system. Algorithmic ranking, even when functioning as a supportive tool, can influence the decisions of prospective parents and reinforce the trend toward the \"technologization\" of reproduction, especially when presented as a neutral or \"objective\" prognosis. At the same time, issues of transparency and interpretability arise, alongside accountability in cases of error, as well as privacy and the management of sensitive biomedical data. Finally, at a social level, unequal access to advanced AI systems and time-lapse technologies may widen existing disparities, while bias in training data can produce unequal predictions for different patient populations. Therefore, the integration of AI requires clear informed consent frameworks, fairness/equity auditing mechanisms, and institutional safeguards so that innovation serves clinical care without undermining autonomy and social trust."]},{"key":"dc:title","label":"Title","values":["Τεχνητή νοημοσύνη και προγνωστικοί δείκτες για την ποιότητα και τη μορφολογία των ανθρώπινων ωαρίων στην εξωσωματική γονιμοποίηση"]}]}],"canonical_facts":{"dc:creator":["Τελάκη Ειρήνη","Telaki Eirini"],"dc:date":["2026"],"dc:description":["Η ταχεία πρόοδος της Τεχνητής Νοημοσύνης (ΤΝ) έχει αρχίσει να ασκεί σημαντική επίδραση στη κλινική πράξη της Ιατρικής, με ιδιαίτερη έμφαση στο πεδίο της εξωσωματικής γονιμοποίησης (IVF). Η παρούσα μελέτη επιχειρεί μια συστηματική βιβλιογραφική επισκόπηση 23 εμπειρικών ερευνών και μελετών ανασκόπησης που πραγματοποιήθηκαν μεταξύ 2014-2025, με έμφαση στην ανάπτυξη και την αξιοποίηση προγνωστικών δεικτών που στοχεύουν στην αντικειμενικότερη εκτίμηση της αναπαραγωγικής δυναμικής ωαρίων και εμβρύων. Η παρούσα μελέτη αναγνωρίζοντας ότι η επιτυχία της IVF (π.χ. β-hCG, κλινική κύηση ή ζώσα γέννηση) είναι ένα πολυπαραγοντικό αποτέλεσμα αλληλοεπιδρώντων βιολογικών και εργαστηριακών παραγόντων εξετάζει πώς η ΤΝ μπορεί να μειώσει την υποκειμενικότητα στην IVF και να βελτιώσει την πρόβλεψη κλινικών εκβάσεων (βλαστοκύστη, εμφύτευση, κύηση/ζώσα γέννηση), αξιοποιώντας δεδομένα από όλο το «μονοπάτι» της της διαδικασίας IVF: από τη διέγερση των ωοθηκών μέχρι την επιλογή του εμβρύου. Στο πρώτο μέρος παρουσιάζονται οι θεωρητικές αφετηρίες, η διαδρομή της IVF και οι τεχνολογικές συνιστώσες της ΤΝ στην IVF. Η ανάλυση αναδεικνύει εφαρμογές της ΤΝ σε τρία βασικά πεδία: (α) την εξατομίκευση ττης ελεγχόμενης ωοθηκικής διέγερσης, όπου μοντέλα μηχανικής μάθησης υποστηρίζουν την επιλογή αρχικής δόσης FSH και τον χρονισμό του trigger, αξιοποιώντας κλασικούς δείκτες ωοθηκικού αποθέματος (ηλικία, BMI, AMH, AFC κ.ά.) με στόχο τη βελτιστοποίηση της απόδοσης σε ώριμα ωάρια και τη μείωση ακραίων αποκρίσεων, καθώς και την ενσωμάτωση τέτοιων εργαλείων στην πραγματική κλινική ροή βελτιστοποιώντας την πρώιμη αξιολόγηση του ωοκυττάρου, (β) την εμβρυολογική αξιολόγηση και την επιλογή εμβρύων, με ιδιαίτερη έμφαση στα δεδομένα time-lapse και στη βαθιά μάθηση (DL), όπου οι προγνωστικοί δείκτες δεν περιορίζονται σε στατικά μορφολογικά κριτήρια αλλά εκφράζονται ως σύνθετα μορφοκινητικά μοτίβα (latent biomarkers) που αποτυπώνουν τη δυναμική ανάπτυξη, και όπου ενδείκνυται, τη γενετική πληροφορία (PGT-A) με τυποποιημένη ερμηνεία ενδυναμώνοντας τη δυναμική αξιολόγηση του εμβρύου και (γ) βιοδείκτες και παθοφυσιολογικοί άξονες που σχετίζονται με την ποιότητα των ωαρίων ,η και των εμβρύων, όπως το μιτοχονδριακό DNA (mtDNA) ως δείκτης ενεργειακής κατάστασης, καθώς και το οξειδωτικό στρες/ROS, τα οποία συνδέονται με τη κυτταρική βλάβη και τη μειωμένη βιωσιμότητα, ενώ καταγράφεται η ερευνητική τάση προς μη επεμβατικούς δείκτες και νέες μετρήσεις (π.χ. μεταβολικά προφίλ) αυξάνοντας την πιθανότητα επιλογής του εμβρύου με τη μεγαλύτερη κλινική δυναμική. Παράλληλα, η εργασία υπογραμμίζει κρίσιμες προκλήσεις για την κλινική μετάφραση: την ετερογένεια μεταξύ κέντρων, την έλλειψη τυποποιημένων πρωτοκόλλων συλλογής/αναφοράς και τον διαφοροποιημένο ορισμό της «επιτυχίας», που περιορίζουν την εξωτερική εγκυρότητα των μοντέλων, καθώς και το ζήτημα της μεροληψίας (bias) όταν τα δεδομένα εκπαίδευσης δεν αποτυπώνουν επαρκώς την ποικιλομορφία ασθενών και πρακτικών. Συνεπώς, τονίζεται η ανάγκη για πολυκεντρική εξωτερική επικύρωση, εναρμόνιση των διαδικασιών καταγραφής και προσεκτική ενσωμάτωση της ΤΝ ως υποστηρικτικού (και όχι αυτόνομου) μηχανισμού λήψης αποφάσεων, με σαφή κλινικά τελικά σημεία και έλεγχο ισότητας/δικαιοσύνης στις προβλέψεις. Πέραν των τεχνικών και κλινικών ζητημάτων, η αξιοποίηση της ΤΝ στην IVF εγείρει ένα πλέγμα ηθικών και κοινωνιολογικών ερωτημάτων, καθώς μεταβάλλει τον τρόπο με τον οποίο ορίζεται και αξιολογείται η «ποιότητα» του εμβρύου και ενδέχεται να αναδιατάξει την ισορροπία ευθύνης μεταξύ κλινικού, εμβρυολόγου και υπολογιστικού συστήματος. Η αλγοριθμική κατάταξη, ακόμη και όταν λειτουργεί ως υποστηρικτικό εργαλείο, μπορεί να επηρεάσει τις αποφάσεις των υποψήφιων γονέων και να ενισχύσει την τάση «τεχνολογικοποίησης» της αναπαραγωγής, ιδίως όταν παρουσιαζεται ως ουδέτερη ή «αντικειμενική» πρόγνωση. Παράλληλα, ανακύπτουν ζητήματα διαφάνειαςή και ερμηνευσιμότητας, λογοδοσίας σε περιπτώσεις σφάλματος, καθώς και ιδιωτικότητας και διαχείρισης ευαίσθητων βιοϊατρικών δεδομένων. Τέλος, σε κοινωνικό επίπεδο, η άνιση πρόσβαση σε προηγμένα συστήματα ΤΝ και time-lapse τεχνολογίες μπορεί να διευρύνει υφιστάμενες ανισότητες, ενώ η μεροληψία (bias) σε δεδομένα εκπαίδευσης δύναται να παράγει άνισες προβλέψεις για διαφορετικούς πληθυσμούς ασθενών. Ως εκ τούτου, η ενσωμάτωση της ΤΝ προϋποθέτει σαφή πλαίσια ενημερωμένης συναίνεσης, μηχανισμούς ελέγχου δικαιοσύνης/ισότητας και θεσμικές εγγυήσεις ώστε η καινοτομία να υπηρετεί την κλινική φροντίδα χωρίς να υπονομεύει την αυτονομία και την κοινωνική εμπιστοσύνη.","The rapid advancement of Artificial Intelligence (AI) has begun to exert a significant impact on the clinical practice of Medicine, with a particular emphasis on the field of in vitro fertilization (IVF). The present study attempts a systematic literature review of 23 empirical studies and review papers conducted between 2014 and 2025, focusing on the development and utilization of predictive indicators aimed at a more objective assessment of the reproductive potential of oocytes and embryos. Recognizing that IVF success (e.g., β-hCG, clinical pregnancy, or live birth) is a multifactorial outcome of interacting biological and laboratory factors, this study examines how AI can reduce subjectivity in IVF and improve the prediction of clinical outcomes (blastocyst, implantation, pregnancy/live birth) by leveraging data from the entire \"pathway\" of the IVF process: from ovarian stimulation to embryo selection. The first part presents the theoretical foundations, the IVF journey, and the technological components of AI in IVF. The analysis highlights AI applications in three key areas: • (a) The personalization of controlled ovarian stimulation: where machine learning models support the selection of the initial FSH dose and trigger timing, utilizing classic ovarian reserve indicators (age, BMI, AMH, AFC, etc.) to optimize mature oocyte yield and reduce extreme responses, while integrating such tools into the actual clinical workflow to optimize early oocyte assessment. • (b) Embryological assessment and embryo selection: with a particular emphasis on time-lapse data and deep learning (DL), where predictive indicators are not limited to static morphological criteria but are expressed as complex morphokinetic patterns (latent biomarkers) that capture dynamic development and, where applicable, genetic information (PGT-A) with standardized interpretation, thereby strengthening the dynamic assessment of the embryo. • (c) Biomarkers and pathophysiological axes related to oocyte and/or embryo quality: such as mitochondrial DNA (mtDNA) as an indicator of energy status, as well as oxidative stress/ROS, which are linked to cellular damage and reduced viability, while recording the research trend toward non-invasive markers and novel measurements (e.g., metabolic profiles), increasing the probability of selecting the embryo with the highest clinical potential. Concurrently, the paper underscores critical challenges for clinical translation: inter-center heterogeneity, the lack of standardized collection/reporting protocols, and the varied definition of \"success,\" which limit the external validity of the models, as well as the issue of bias when training data does not adequately capture the diversity of patients and practices. Consequently, the need for multicenter external validation, harmonization of recording procedures, and careful integration of AI as a supportive (rather than autonomous) decision-making mechanism is emphasized, with clear clinical endpoints and equity/fairness auditing in predictions. Beyond technical and clinical issues, the utilization of AI in IVF raises a complex web of ethical and sociological questions, as it alters the way embryo \"quality\" is defined and evaluated, and may rearrange the balance of responsibility among the clinician, the embryologist, and the computational system. Algorithmic ranking, even when functioning as a supportive tool, can influence the decisions of prospective parents and reinforce the trend toward the \"technologization\" of reproduction, especially when presented as a neutral or \"objective\" prognosis. At the same time, issues of transparency and interpretability arise, alongside accountability in cases of error, as well as privacy and the management of sensitive biomedical data. Finally, at a social level, unequal access to advanced AI systems and time-lapse technologies may widen existing disparities, while bias in training data can produce unequal predictions for different patient populations. Therefore, the integration of AI requires clear informed consent frameworks, fairness/equity auditing mechanisms, and institutional safeguards so that innovation serves clinical care without undermining autonomy and social trust."],"dc:identifier":["uoadl:5449331","https://pergamos.lib.uoa.gr/uoa/dl/object/5449331"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Επιστήμες Υγείας","Health Sciences"],"dc:title":["Τεχνητή νοημοσύνη και προγνωστικοί δείκτες για την ποιότητα και τη μορφολογία των ανθρώπινων ωαρίων στην εξωσωματική γονιμοποίηση"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:20:44Z"}