{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5457063"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5457063","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Βελτιστοποίηση των αποτελεσμάτων της θεραπείας γονιμότητας με τη χρήση Τεχνητής Νοημοσύνης: Ο ρόλος της Τεχνητής Νοημοσύνης στον βέλτιστο χρονισμό της ωρίμανσης - Συστηματική ανασκόπηση","abstract":"Εισαγωγή: Η ελεγχόμενη διέγερση των ωοθηκών αποτελεί βασικό στάδιο της εξωσωματικής γονιμοποίησης, επηρεάζοντας άμεσα τον αριθμό και την ωριμότητα των ωαρίων. Παρά τη χρήση καθιερωμένων δεικτών παρακολούθησης, εξακολουθεί να παρατηρείται σημαντική μεταβλητότητα στην ωοθηκική ανταπόκριση και στη λήψη κλινικών αποφάσεων. Η τεχνητή νοημοσύνη αναδεικνύεται ως ένα πολλά υποσχόμενο εργαλείο για την υποστήριξη εξατομικευμένων θεραπευτικών στρατηγικών. Σκοπός: Η συστηματική ανασκόπηση της διαθέσιμης βιβλιογραφίας σχετικά με την εφαρμογή της τεχνητής νοημοσύνης στην ελεγχόμενη διέγερση των ωοθηκών, με ιδιαίτερη έμφαση στον βέλτιστο χρόνο χορήγησης του trigger, στην πρόβλεψη της απόδοσης και της ωρίμανσης των ωαρίων, καθώς και στη βελτιστοποίηση των στρατηγικών διέγερσης. Μέθοδοι: Πραγματοποιήθηκε συστηματική αναζήτηση στις βάσεις δεδομένων PubMed και Scopus έως τις 10 Φεβρουαρίου 2026. Συμπεριλήφθηκαν μελέτες που αξιολογούσαν μοντέλα τεχνητής νοημοσύνης ή μηχανικής μάθησης στο πλαίσιο της ωοθηκικής διέγερσης για IVF. Τα δεδομένα εξήχθησαν με προκαθορισμένο πρωτόκολλο και αναλύθηκαν ποιοτικά. Αποτελέσματα: Συνολικά συμπεριλήφθηκαν 17 μελέτες, οι περισσότερες εκ των οποίων ήταν αναδρομικές και μονοκεντρικές. Τα μοντέλα τεχνητής νοημοσύνης εφαρμόστηκαν κυρίως στην πρόβλεψη της ωοθηκικής ανταπόκρισης, της ωρίμανσης των ωαρίων, του χρόνου χορήγησης του trigger και στη διαχείριση της διέγερσης. Η ηλικία, η αντιμυλλέριος ορμόνη (AMH), ο αριθμός AFC, τα επίπεδα οιστραδιόλης και τα υπερηχογραφικά χαρακτηριστικά των ωοθυλακίων αναδείχθηκαν ως οι σημαντικότεροι προγνωστικοί παράγοντες. Ωστόσο, παρατηρήθηκε σημαντική μεθοδολογική ετερογένεια ενώ μόνο λίγες μελέτες αξιολόγησαν τα μοντέλα σε ανεξάρτητους πληθυσμούς ασθενών. Συμπεράσματα: Η τεχνητή νοημοσύνη παρουσιάζει σημαντικές δυνατότητες ως εργαλείο υποστήριξης της κλινικής λήψης αποφάσεων κατά την ελεγχόμενη διέγερση των ωοθηκών, ιδιαίτερα στην πρόβλεψη της ωοθηκικής ανταπόκρισης, της ωρίμανσης των ωαρίων και του βέλτιστου χρόνου χορήγησης του trigger. Ωστόσο, απαιτούνται προοπτικές πολυκεντρικές μελέτες για την τεκμηρίωση της κλινικής της χρησιμότητας.","abstract_html":"Εισαγωγή: Η ελεγχόμενη διέγερση των ωοθηκών αποτελεί βασικό στάδιο της εξωσωματικής γονιμοποίησης, επηρεάζοντας άμεσα τον αριθμό και την ωριμότητα των ωαρίων. Παρά τη χρήση καθιερωμένων δεικτών παρακολούθησης, εξακολουθεί να παρατηρείται σημαντική μεταβλητότητα στην ωοθηκική ανταπόκριση και στη λήψη κλινικών αποφάσεων. Η τεχνητή νοημοσύνη αναδεικνύεται ως ένα πολλά υποσχόμενο εργαλείο για την υποστήριξη εξατομικευμένων θεραπευτικών στρατηγικών. Σκοπός: Η συστηματική ανασκόπηση της διαθέσιμης βιβλιογραφίας σχετικά με την εφαρμογή της τεχνητής νοημοσύνης στην ελεγχόμενη διέγερση των ωοθηκών, με ιδιαίτερη έμφαση στον βέλτιστο χρόνο χορήγησης του trigger, στην πρόβλεψη της απόδοσης και της ωρίμανσης των ωαρίων, καθώς και στη βελτιστοποίηση των στρατηγικών διέγερσης. Μέθοδοι: Πραγματοποιήθηκε συστηματική αναζήτηση στις βάσεις δεδομένων PubMed και Scopus έως τις 10 Φεβρουαρίου 2026. Συμπεριλήφθηκαν μελέτες που αξιολογούσαν μοντέλα τεχνητής νοημοσύνης ή μηχανικής μάθησης στο πλαίσιο της ωοθηκικής διέγερσης για IVF. Τα δεδομένα εξήχθησαν με προκαθορισμένο πρωτόκολλο και αναλύθηκαν ποιοτικά. Αποτελέσματα: Συνολικά συμπεριλήφθηκαν 17 μελέτες, οι περισσότερες εκ των οποίων ήταν αναδρομικές και μονοκεντρικές. Τα μοντέλα τεχνητής νοημοσύνης εφαρμόστηκαν κυρίως στην πρόβλεψη της ωοθηκικής ανταπόκρισης, της ωρίμανσης των ωαρίων, του χρόνου χορήγησης του trigger και στη διαχείριση της διέγερσης. Η ηλικία, η αντιμυλλέριος ορμόνη (AMH), ο αριθμός AFC, τα επίπεδα οιστραδιόλης και τα υπερηχογραφικά χαρακτηριστικά των ωοθυλακίων αναδείχθηκαν ως οι σημαντικότεροι προγνωστικοί παράγοντες. Ωστόσο, παρατηρήθηκε σημαντική μεθοδολογική ετερογένεια ενώ μόνο λίγες μελέτες αξιολόγησαν τα μοντέλα σε ανεξάρτητους πληθυσμούς ασθενών. Συμπεράσματα: Η τεχνητή νοημοσύνη παρουσιάζει σημαντικές δυνατότητες ως εργαλείο υποστήριξης της κλινικής λήψης αποφάσεων κατά την ελεγχόμενη διέγερση των ωοθηκών, ιδιαίτερα στην πρόβλεψη της ωοθηκικής ανταπόκρισης, της ωρίμανσης των ωαρίων και του βέλτιστου χρόνου χορήγησης του trigger. Ωστόσο, απαιτούνται προοπτικές πολυκεντρικές μελέτες για την τεκμηρίωση της κλινικής της χρησιμότητας.","abstract_has_math":false,"creators":["Σαραντάκος Αλέξανδρος","Sarantakos Alexandros"],"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":"2026-11-19T05:20:59Z","subjects":["Επιστήμες Υγείας","Health Sciences"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5457063"],"render_values":[{"text":"uoadl:5457063","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5457063","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5457063","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%3A5457063","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Σαραντάκος Αλέξανδρος","Sarantakos Alexandros"]}]},{"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":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5457063","https://pergamos.lib.uoa.gr/uoa/dl/object/5457063"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Εισαγωγή: Η ελεγχόμενη διέγερση των ωοθηκών αποτελεί βασικό στάδιο της εξωσωματικής γονιμοποίησης, επηρεάζοντας άμεσα τον αριθμό και την ωριμότητα των ωαρίων. Παρά τη χρήση καθιερωμένων δεικτών παρακολούθησης, εξακολουθεί να παρατηρείται σημαντική μεταβλητότητα στην ωοθηκική ανταπόκριση και στη λήψη κλινικών αποφάσεων. Η τεχνητή νοημοσύνη αναδεικνύεται ως ένα πολλά υποσχόμενο εργαλείο για την υποστήριξη εξατομικευμένων θεραπευτικών στρατηγικών. Σκοπός: Η συστηματική ανασκόπηση της διαθέσιμης βιβλιογραφίας σχετικά με την εφαρμογή της τεχνητής νοημοσύνης στην ελεγχόμενη διέγερση των ωοθηκών, με ιδιαίτερη έμφαση στον βέλτιστο χρόνο χορήγησης του trigger, στην πρόβλεψη της απόδοσης και της ωρίμανσης των ωαρίων, καθώς και στη βελτιστοποίηση των στρατηγικών διέγερσης. Μέθοδοι: Πραγματοποιήθηκε συστηματική αναζήτηση στις βάσεις δεδομένων PubMed και Scopus έως τις 10 Φεβρουαρίου 2026. Συμπεριλήφθηκαν μελέτες που αξιολογούσαν μοντέλα τεχνητής νοημοσύνης ή μηχανικής μάθησης στο πλαίσιο της ωοθηκικής διέγερσης για IVF. Τα δεδομένα εξήχθησαν με προκαθορισμένο πρωτόκολλο και αναλύθηκαν ποιοτικά. Αποτελέσματα: Συνολικά συμπεριλήφθηκαν 17 μελέτες, οι περισσότερες εκ των οποίων ήταν αναδρομικές και μονοκεντρικές. Τα μοντέλα τεχνητής νοημοσύνης εφαρμόστηκαν κυρίως στην πρόβλεψη της ωοθηκικής ανταπόκρισης, της ωρίμανσης των ωαρίων, του χρόνου χορήγησης του trigger και στη διαχείριση της διέγερσης. Η ηλικία, η αντιμυλλέριος ορμόνη (AMH), ο αριθμός AFC, τα επίπεδα οιστραδιόλης και τα υπερηχογραφικά χαρακτηριστικά των ωοθυλακίων αναδείχθηκαν ως οι σημαντικότεροι προγνωστικοί παράγοντες. Ωστόσο, παρατηρήθηκε σημαντική μεθοδολογική ετερογένεια ενώ μόνο λίγες μελέτες αξιολόγησαν τα μοντέλα σε ανεξάρτητους πληθυσμούς ασθενών. Συμπεράσματα: Η τεχνητή νοημοσύνη παρουσιάζει σημαντικές δυνατότητες ως εργαλείο υποστήριξης της κλινικής λήψης αποφάσεων κατά την ελεγχόμενη διέγερση των ωοθηκών, ιδιαίτερα στην πρόβλεψη της ωοθηκικής ανταπόκρισης, της ωρίμανσης των ωαρίων και του βέλτιστου χρόνου χορήγησης του trigger. Ωστόσο, απαιτούνται προοπτικές πολυκεντρικές μελέτες για την τεκμηρίωση της κλινικής της χρησιμότητας.","Background: Controlled ovarian stimulation (COS) is a key component of in vitro fertilization (IVF), directly influencing oocyte yield, maturation, and treatment success. Despite established monitoring strategies, substantial variability persists in ovarian response and clinical decision-making. Artificial intelligence (AI) has emerged as a potential tool to support individualized treatment by integrating complex clinical data. Objective: To systematically review the current evidence regarding the application of artificial intelligence in controlled ovarian stimulation, with particular emphasis on trigger timing, estimation of oocyte yield and maturation, and optimization of stimulation strategies. Methods: A systematic search of PubMed and Scopus was conducted through 10 February 2026. Studies evaluating artificial intelligence or machine-learning models within the context of ovarian stimulation for IVF were included. Data were extracted using a predefined framework and synthesized qualitatively according to clinical application domains. Study quality was evaluated with attention to study design, validation strategies, and potential sources of bias. Results: Seventeen studies met the inclusion criteria. Most were retrospective and single-center in design. AI models were primarily applied to prediction of ovarian response, mature oocyte yield, trigger timing, and stimulation management. Age, anti-Müllerian hormone, antral follicle count, estradiol levels, and follicular measurements were repeatedly identified as important predictors. Several models demonstrated favorable performance in predicting oocyte-related outcomes and identifying trigger windows associated with improved oocyte maturity. However, substantial methodological heterogeneity was observed, and external validation was uncommon. Conclusions: Artificial intelligence shows promise as a decision-support tool during controlled ovarian stimulation, particularly for estimation of ovarian response, oocyte maturation, and trigger timing. Nevertheless, the current evidence base remains dominated by retrospective studies with limited external validation. Prospective multicenter studies are required to establish clinical utility and support integration into routine IVF practice."]},{"key":"dc:title","label":"Title","values":["Βελτιστοποίηση των αποτελεσμάτων της θεραπείας γονιμότητας με τη χρήση Τεχνητής Νοημοσύνης: Ο ρόλος της Τεχνητής Νοημοσύνης στον βέλτιστο χρονισμό της ωρίμανσης - Συστηματική ανασκόπηση"]}]}],"canonical_facts":{"dc:creator":["Σαραντάκος Αλέξανδρος","Sarantakos Alexandros"],"dc:date":["2026"],"dc:description":["Εισαγωγή: Η ελεγχόμενη διέγερση των ωοθηκών αποτελεί βασικό στάδιο της εξωσωματικής γονιμοποίησης, επηρεάζοντας άμεσα τον αριθμό και την ωριμότητα των ωαρίων. Παρά τη χρήση καθιερωμένων δεικτών παρακολούθησης, εξακολουθεί να παρατηρείται σημαντική μεταβλητότητα στην ωοθηκική ανταπόκριση και στη λήψη κλινικών αποφάσεων. Η τεχνητή νοημοσύνη αναδεικνύεται ως ένα πολλά υποσχόμενο εργαλείο για την υποστήριξη εξατομικευμένων θεραπευτικών στρατηγικών. Σκοπός: Η συστηματική ανασκόπηση της διαθέσιμης βιβλιογραφίας σχετικά με την εφαρμογή της τεχνητής νοημοσύνης στην ελεγχόμενη διέγερση των ωοθηκών, με ιδιαίτερη έμφαση στον βέλτιστο χρόνο χορήγησης του trigger, στην πρόβλεψη της απόδοσης και της ωρίμανσης των ωαρίων, καθώς και στη βελτιστοποίηση των στρατηγικών διέγερσης. Μέθοδοι: Πραγματοποιήθηκε συστηματική αναζήτηση στις βάσεις δεδομένων PubMed και Scopus έως τις 10 Φεβρουαρίου 2026. Συμπεριλήφθηκαν μελέτες που αξιολογούσαν μοντέλα τεχνητής νοημοσύνης ή μηχανικής μάθησης στο πλαίσιο της ωοθηκικής διέγερσης για IVF. Τα δεδομένα εξήχθησαν με προκαθορισμένο πρωτόκολλο και αναλύθηκαν ποιοτικά. Αποτελέσματα: Συνολικά συμπεριλήφθηκαν 17 μελέτες, οι περισσότερες εκ των οποίων ήταν αναδρομικές και μονοκεντρικές. Τα μοντέλα τεχνητής νοημοσύνης εφαρμόστηκαν κυρίως στην πρόβλεψη της ωοθηκικής ανταπόκρισης, της ωρίμανσης των ωαρίων, του χρόνου χορήγησης του trigger και στη διαχείριση της διέγερσης. Η ηλικία, η αντιμυλλέριος ορμόνη (AMH), ο αριθμός AFC, τα επίπεδα οιστραδιόλης και τα υπερηχογραφικά χαρακτηριστικά των ωοθυλακίων αναδείχθηκαν ως οι σημαντικότεροι προγνωστικοί παράγοντες. Ωστόσο, παρατηρήθηκε σημαντική μεθοδολογική ετερογένεια ενώ μόνο λίγες μελέτες αξιολόγησαν τα μοντέλα σε ανεξάρτητους πληθυσμούς ασθενών. Συμπεράσματα: Η τεχνητή νοημοσύνη παρουσιάζει σημαντικές δυνατότητες ως εργαλείο υποστήριξης της κλινικής λήψης αποφάσεων κατά την ελεγχόμενη διέγερση των ωοθηκών, ιδιαίτερα στην πρόβλεψη της ωοθηκικής ανταπόκρισης, της ωρίμανσης των ωαρίων και του βέλτιστου χρόνου χορήγησης του trigger. Ωστόσο, απαιτούνται προοπτικές πολυκεντρικές μελέτες για την τεκμηρίωση της κλινικής της χρησιμότητας.","Background: Controlled ovarian stimulation (COS) is a key component of in vitro fertilization (IVF), directly influencing oocyte yield, maturation, and treatment success. Despite established monitoring strategies, substantial variability persists in ovarian response and clinical decision-making. Artificial intelligence (AI) has emerged as a potential tool to support individualized treatment by integrating complex clinical data. Objective: To systematically review the current evidence regarding the application of artificial intelligence in controlled ovarian stimulation, with particular emphasis on trigger timing, estimation of oocyte yield and maturation, and optimization of stimulation strategies. Methods: A systematic search of PubMed and Scopus was conducted through 10 February 2026. Studies evaluating artificial intelligence or machine-learning models within the context of ovarian stimulation for IVF were included. Data were extracted using a predefined framework and synthesized qualitatively according to clinical application domains. Study quality was evaluated with attention to study design, validation strategies, and potential sources of bias. Results: Seventeen studies met the inclusion criteria. Most were retrospective and single-center in design. AI models were primarily applied to prediction of ovarian response, mature oocyte yield, trigger timing, and stimulation management. Age, anti-Müllerian hormone, antral follicle count, estradiol levels, and follicular measurements were repeatedly identified as important predictors. Several models demonstrated favorable performance in predicting oocyte-related outcomes and identifying trigger windows associated with improved oocyte maturity. However, substantial methodological heterogeneity was observed, and external validation was uncommon. Conclusions: Artificial intelligence shows promise as a decision-support tool during controlled ovarian stimulation, particularly for estimation of ovarian response, oocyte maturation, and trigger timing. Nevertheless, the current evidence base remains dominated by retrospective studies with limited external validation. Prospective multicenter studies are required to establish clinical utility and support integration into routine IVF practice."],"dc:identifier":["uoadl:5457063","https://pergamos.lib.uoa.gr/uoa/dl/object/5457063"],"dc:language":["English"],"dc:subject":["Επιστήμες Υγείας","Health Sciences"],"dc:title":["Βελτιστοποίηση των αποτελεσμάτων της θεραπείας γονιμότητας με τη χρήση Τεχνητής Νοημοσύνης: Ο ρόλος της Τεχνητής Νοημοσύνης στον βέλτιστο χρονισμό της ωρίμανσης - Συστηματική ανασκόπηση"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:20:59Z"}