{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5360859"},"canonical_url":"https://search.dev.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5360859","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Σύγκριση της αποτελεσματικότητας του συστήματος διαλογής από νοσηλευτές και τεχνητή νοημοσύνη σε τμήματα επειγόντων περιστατικών :μια συστηματική ανασκόπηση","abstract":"Εισαγωγή: Τα τελευταία χρόνια, η τεχνητή νοημοσύνη (ΤΝ) ερευνάται ως σημαντικό εργαλείο διαλογής στα ΤΕΠ, καθώς μετασχηματίζει τα δεδομένα από στατική κατηγοριοποίηση σε δείκτη εξατομικευμένου κινδύνου για κάθε ασθενή. Τα σύγχρονα μοντέλα Machine learning/deep learning ενσωματώνουν δημογραφικά στοιχεία, ζωτικά σημεία, αλλά και ελεύθερο κείμενο, με στόχο την έγκαιρη και ακριβή λήψη αποφάσεων. Σκοπός: Στόχος της παρούσας συστηματικής ανασκόπησης ήταν να συλλέξει συστηματικά τα ερευντηικά δεδομένα που αφορούν την ακρίβεια και τη χρησιμότητα των εφαρμογών ΤΝ, σε σχέση με καθιερωμένες κλίμακες (ESI, KTAS, TTAS/CTAS, MTS, ETS) που χρησιμοποιούνται στη διαλογή ΤΕΠ. Μέθοδος: Σύμφωνα με Cochrane Handbook και PRISMA πραγματοποιήθηκε συστηματική αναζήτηση (2015–2025) στις διεθνείς βάσεις δεδομένων PubMed και Scopus με πλαίσιο PICO. Χρησιμοποιήθηκαν MeSH/λέξεις-κλειδιά για (α) περιβάλλον/πληθυσμό (emergency department/nursing), (β) παρέμβαση (artificial intelligence, machine/deep learning, NLP, expert/decision-support), (γ) διαλογή (triage, ESI, MTS, CTAS, ATS, RETTS). Οι μελέτες που συμπεριλήφθηκαν στη συστηματική ανασκόπηση αξιολογήθηκαν για την ποιότητα τους με τα εργαλεία JBI Critical Appraisal, και για τις μελέτες ανάπτυξης/επικύρωσης μοντέλων εφαρμόστηκε συμπληρωματικά το εργαλείο αξιολόγησης κινδύνου μεροληψίας PROBAST. Αποτελέσματα: Από τις 5.064 μελέτες που εντοπίστηκαν αρχικά, συμπεριλήφθηκαν τελικά 24 μελέτες. Τα μοντέλα ML/DLΤα μοντέλα ML/DL υπερείχαν των κλιμάκων στην πρόβλεψη εισαγωγής, φροντίδας στη ΜΕΘ, θνησιμότητας και επειγουσών παρεμβάσεων, ιδίως με ενσωμάτωση ελεύθερου κειμένου και εργαστηριακών δεδομένων. Μελέτες ανίχνευσης λανθασμένης διαλογής έδειξαν μείωση υπο-διαλογής σε πιλοτικές εφαρμογές. Τα συστήματα LLMs πέτυχαν μέτρια-καλή συμφωνία σε κλινικά σενάρια με τάση προς υπερ-διαλογή, χωρίς όμως τεκμηριωμένη αποτελεσματικότητα σε πραγματικές συνθήκες. Η ποιότητα των μελετών αξιολογήθηκε συνολικά ως μέτρια (JBI), με ετερογένεια στην εξωτερική επικύρωση, ενώ το εργαλείο PROBAST έδειξε μέτριο κίνδυνο μεροληψίας. Συμπεράσματα: Η ΤΝ μπορεί να ενισχύσει ουσιαστικά τη διαλογή ΤΕΠ, ιδίως με μοντέλα που συνδυάζουν δομημένα και μη δομημένα δεδομένα. Η ασφαλής υιοθέτηση απαιτεί ωστόσο, προσεκτικό σχεδιασμό με τη διενέργεια μεγάλων προοπτικών πολυκεντρικών μελετών για την εφαρμογή μοντέλων ΤΝ, ως συμπληρωματικό εργαλείο στη νοσηλευτική κρίση κατά τη διαλογή, για τη βελτιστοποίηση της ασφάλειας και των κλινικών αποτελεσμάτων των ασθενών.","abstract_html":"Εισαγωγή: Τα τελευταία χρόνια, η τεχνητή νοημοσύνη (ΤΝ) ερευνάται ως σημαντικό εργαλείο διαλογής στα ΤΕΠ, καθώς μετασχηματίζει τα δεδομένα από στατική κατηγοριοποίηση σε δείκτη εξατομικευμένου κινδύνου για κάθε ασθενή. Τα σύγχρονα μοντέλα Machine learning/deep learning ενσωματώνουν δημογραφικά στοιχεία, ζωτικά σημεία, αλλά και ελεύθερο κείμενο, με στόχο την έγκαιρη και ακριβή λήψη αποφάσεων. Σκοπός: Στόχος της παρούσας συστηματικής ανασκόπησης ήταν να συλλέξει συστηματικά τα ερευντηικά δεδομένα που αφορούν την ακρίβεια και τη χρησιμότητα των εφαρμογών ΤΝ, σε σχέση με καθιερωμένες κλίμακες (ESI, KTAS, TTAS/CTAS, MTS, ETS) που χρησιμοποιούνται στη διαλογή ΤΕΠ. Μέθοδος: Σύμφωνα με Cochrane Handbook και PRISMA πραγματοποιήθηκε συστηματική αναζήτηση (2015–2025) στις διεθνείς βάσεις δεδομένων PubMed και Scopus με πλαίσιο PICO. Χρησιμοποιήθηκαν MeSH/λέξεις-κλειδιά για (α) περιβάλλον/πληθυσμό (emergency department/nursing), (β) παρέμβαση (artificial intelligence, machine/deep learning, NLP, expert/decision-support), (γ) διαλογή (triage, ESI, MTS, CTAS, ATS, RETTS). Οι μελέτες που συμπεριλήφθηκαν στη συστηματική ανασκόπηση αξιολογήθηκαν για την ποιότητα τους με τα εργαλεία JBI Critical Appraisal, και για τις μελέτες ανάπτυξης/επικύρωσης μοντέλων εφαρμόστηκε συμπληρωματικά το εργαλείο αξιολόγησης κινδύνου μεροληψίας PROBAST. Αποτελέσματα: Από τις 5.064 μελέτες που εντοπίστηκαν αρχικά, συμπεριλήφθηκαν τελικά 24 μελέτες. Τα μοντέλα ML/DLΤα μοντέλα ML/DL υπερείχαν των κλιμάκων στην πρόβλεψη εισαγωγής, φροντίδας στη ΜΕΘ, θνησιμότητας και επειγουσών παρεμβάσεων, ιδίως με ενσωμάτωση ελεύθερου κειμένου και εργαστηριακών δεδομένων. Μελέτες ανίχνευσης λανθασμένης διαλογής έδειξαν μείωση υπο-διαλογής σε πιλοτικές εφαρμογές. Τα συστήματα LLMs πέτυχαν μέτρια-καλή συμφωνία σε κλινικά σενάρια με τάση προς υπερ-διαλογή, χωρίς όμως τεκμηριωμένη αποτελεσματικότητα σε πραγματικές συνθήκες. Η ποιότητα των μελετών αξιολογήθηκε συνολικά ως μέτρια (JBI), με ετερογένεια στην εξωτερική επικύρωση, ενώ το εργαλείο PROBAST έδειξε μέτριο κίνδυνο μεροληψίας. Συμπεράσματα: Η ΤΝ μπορεί να ενισχύσει ουσιαστικά τη διαλογή ΤΕΠ, ιδίως με μοντέλα που συνδυάζουν δομημένα και μη δομημένα δεδομένα. Η ασφαλής υιοθέτηση απαιτεί ωστόσο, προσεκτικό σχεδιασμό με τη διενέργεια μεγάλων προοπτικών πολυκεντρικών μελετών για την εφαρμογή μοντέλων ΤΝ, ως συμπληρωματικό εργαλείο στη νοσηλευτική κρίση κατά τη διαλογή, για τη βελτιστοποίηση της ασφάλειας και των κλινικών αποτελεσμάτων των ασθενών.","abstract_has_math":false,"creators":["Καψή Βασιλική","Kapsi Vasiliki"],"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":"2026-07-24T01:01:53Z","subjects":["Επιστήμες Υγείας","Health Sciences"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5360859"],"render_values":[{"text":"uoadl:5360859","href":null,"code":true}]}]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5360859","outbound_label":"Repository record","outbound_source":"dc:identifier"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Καψή Βασιλική","Kapsi Vasiliki"]}]},{"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:5360859","https://pergamos.lib.uoa.gr/uoa/dl/object/5360859"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Εισαγωγή: Τα τελευταία χρόνια, η τεχνητή νοημοσύνη (ΤΝ) ερευνάται ως σημαντικό εργαλείο διαλογής στα ΤΕΠ, καθώς μετασχηματίζει τα δεδομένα από στατική κατηγοριοποίηση σε δείκτη εξατομικευμένου κινδύνου για κάθε ασθενή. Τα σύγχρονα μοντέλα Machine learning/deep learning ενσωματώνουν δημογραφικά στοιχεία, ζωτικά σημεία, αλλά και ελεύθερο κείμενο, με στόχο την έγκαιρη και ακριβή λήψη αποφάσεων. Σκοπός: Στόχος της παρούσας συστηματικής ανασκόπησης ήταν να συλλέξει συστηματικά τα ερευντηικά δεδομένα που αφορούν την ακρίβεια και τη χρησιμότητα των εφαρμογών ΤΝ, σε σχέση με καθιερωμένες κλίμακες (ESI, KTAS, TTAS/CTAS, MTS, ETS) που χρησιμοποιούνται στη διαλογή ΤΕΠ. Μέθοδος: Σύμφωνα με Cochrane Handbook και PRISMA πραγματοποιήθηκε συστηματική αναζήτηση (2015–2025) στις διεθνείς βάσεις δεδομένων PubMed και Scopus με πλαίσιο PICO. Χρησιμοποιήθηκαν MeSH/λέξεις-κλειδιά για (α) περιβάλλον/πληθυσμό (emergency department/nursing), (β) παρέμβαση (artificial intelligence, machine/deep learning, NLP, expert/decision-support), (γ) διαλογή (triage, ESI, MTS, CTAS, ATS, RETTS). Οι μελέτες που συμπεριλήφθηκαν στη συστηματική ανασκόπηση αξιολογήθηκαν για την ποιότητα τους με τα εργαλεία JBI Critical Appraisal, και για τις μελέτες ανάπτυξης/επικύρωσης μοντέλων εφαρμόστηκε συμπληρωματικά το εργαλείο αξιολόγησης κινδύνου μεροληψίας PROBAST. Αποτελέσματα: Από τις 5.064 μελέτες που εντοπίστηκαν αρχικά, συμπεριλήφθηκαν τελικά 24 μελέτες. Τα μοντέλα ML/DLΤα μοντέλα ML/DL υπερείχαν των κλιμάκων στην πρόβλεψη εισαγωγής, φροντίδας στη ΜΕΘ, θνησιμότητας και επειγουσών παρεμβάσεων, ιδίως με ενσωμάτωση ελεύθερου κειμένου και εργαστηριακών δεδομένων. Μελέτες ανίχνευσης λανθασμένης διαλογής έδειξαν μείωση υπο-διαλογής σε πιλοτικές εφαρμογές. Τα συστήματα LLMs πέτυχαν μέτρια-καλή συμφωνία σε κλινικά σενάρια με τάση προς υπερ-διαλογή, χωρίς όμως τεκμηριωμένη αποτελεσματικότητα σε πραγματικές συνθήκες. Η ποιότητα των μελετών αξιολογήθηκε συνολικά ως μέτρια (JBI), με ετερογένεια στην εξωτερική επικύρωση, ενώ το εργαλείο PROBAST έδειξε μέτριο κίνδυνο μεροληψίας. Συμπεράσματα: Η ΤΝ μπορεί να ενισχύσει ουσιαστικά τη διαλογή ΤΕΠ, ιδίως με μοντέλα που συνδυάζουν δομημένα και μη δομημένα δεδομένα. Η ασφαλής υιοθέτηση απαιτεί ωστόσο, προσεκτικό σχεδιασμό με τη διενέργεια μεγάλων προοπτικών πολυκεντρικών μελετών για την εφαρμογή μοντέλων ΤΝ, ως συμπληρωματικό εργαλείο στη νοσηλευτική κρίση κατά τη διαλογή, για τη βελτιστοποίηση της ασφάλειας και των κλινικών αποτελεσμάτων των ασθενών.","Introduction: In recent years, artificial intelligence (AI) has been investigated as an important triage tool in the ED, as it transforms data from static categorization into an individualized risk index for each patient. Modern Machine learning/deep learning models incorporate demographic data, vital signs, and free text, aiming at timely and accurate decision-making. Aim: The aim of this systematic review was to systematically collect research data regarding the accuracy and usefulness of AI applications in ED triage, in relation to established scales (ESI, KTAS, TTAS/CTAS, MTS, ETS) used by nurses and the interdisciplinary team. Methods: According to the Cochrane Handbook and PRISMA, a systematic search (2015–2025) was carried out in the international databases PubMed and Scopus with a PICO framework. MeSH/keywords were used for (a) setting/population (emergency department/nursing), (b) intervention (artificial intelligence, machine/deep learning, NLP, expert/decision-support), (c) triage (triage, ESI, MTS, CTAS, ATS, RETTS). Studies included in the systematic review were assessed for quality using the JBI Critical Appraisal tools, and for model development/validation studies, the risk of bias assessment tool PROBAST was additionally applied. Results: Of the 5,064 studies initially identified, 24 studies were included. ML/DL models consistently outperformed scales in admission, critical care/ICU, mortality, and emergency procedures, especially when incorporating free text and laboratory tests. Mistriage detection studies showed a reduction in under-triage in pilot applications. LLMs achieved moderate-good agreement in clinical scenarios with a tendency towards over-triage, but without documented efficacy in real-world settings. The quality of the studies was assessed as moderate overall (JBI), with heterogeneity in external validation, while the PROBAST tool showed moderate risk of bias."]},{"key":"dc:title","label":"Title","values":["Σύγκριση της αποτελεσματικότητας του συστήματος διαλογής από νοσηλευτές και τεχνητή νοημοσύνη σε τμήματα επειγόντων περιστατικών :μια συστηματική ανασκόπηση"]}]}],"canonical_facts":{"dc:creator":["Καψή Βασιλική","Kapsi Vasiliki"],"dc:date":["2026"],"dc:description":["Εισαγωγή: Τα τελευταία χρόνια, η τεχνητή νοημοσύνη (ΤΝ) ερευνάται ως σημαντικό εργαλείο διαλογής στα ΤΕΠ, καθώς μετασχηματίζει τα δεδομένα από στατική κατηγοριοποίηση σε δείκτη εξατομικευμένου κινδύνου για κάθε ασθενή. Τα σύγχρονα μοντέλα Machine learning/deep learning ενσωματώνουν δημογραφικά στοιχεία, ζωτικά σημεία, αλλά και ελεύθερο κείμενο, με στόχο την έγκαιρη και ακριβή λήψη αποφάσεων. Σκοπός: Στόχος της παρούσας συστηματικής ανασκόπησης ήταν να συλλέξει συστηματικά τα ερευντηικά δεδομένα που αφορούν την ακρίβεια και τη χρησιμότητα των εφαρμογών ΤΝ, σε σχέση με καθιερωμένες κλίμακες (ESI, KTAS, TTAS/CTAS, MTS, ETS) που χρησιμοποιούνται στη διαλογή ΤΕΠ. Μέθοδος: Σύμφωνα με Cochrane Handbook και PRISMA πραγματοποιήθηκε συστηματική αναζήτηση (2015–2025) στις διεθνείς βάσεις δεδομένων PubMed και Scopus με πλαίσιο PICO. Χρησιμοποιήθηκαν MeSH/λέξεις-κλειδιά για (α) περιβάλλον/πληθυσμό (emergency department/nursing), (β) παρέμβαση (artificial intelligence, machine/deep learning, NLP, expert/decision-support), (γ) διαλογή (triage, ESI, MTS, CTAS, ATS, RETTS). Οι μελέτες που συμπεριλήφθηκαν στη συστηματική ανασκόπηση αξιολογήθηκαν για την ποιότητα τους με τα εργαλεία JBI Critical Appraisal, και για τις μελέτες ανάπτυξης/επικύρωσης μοντέλων εφαρμόστηκε συμπληρωματικά το εργαλείο αξιολόγησης κινδύνου μεροληψίας PROBAST. Αποτελέσματα: Από τις 5.064 μελέτες που εντοπίστηκαν αρχικά, συμπεριλήφθηκαν τελικά 24 μελέτες. Τα μοντέλα ML/DLΤα μοντέλα ML/DL υπερείχαν των κλιμάκων στην πρόβλεψη εισαγωγής, φροντίδας στη ΜΕΘ, θνησιμότητας και επειγουσών παρεμβάσεων, ιδίως με ενσωμάτωση ελεύθερου κειμένου και εργαστηριακών δεδομένων. Μελέτες ανίχνευσης λανθασμένης διαλογής έδειξαν μείωση υπο-διαλογής σε πιλοτικές εφαρμογές. Τα συστήματα LLMs πέτυχαν μέτρια-καλή συμφωνία σε κλινικά σενάρια με τάση προς υπερ-διαλογή, χωρίς όμως τεκμηριωμένη αποτελεσματικότητα σε πραγματικές συνθήκες. Η ποιότητα των μελετών αξιολογήθηκε συνολικά ως μέτρια (JBI), με ετερογένεια στην εξωτερική επικύρωση, ενώ το εργαλείο PROBAST έδειξε μέτριο κίνδυνο μεροληψίας. Συμπεράσματα: Η ΤΝ μπορεί να ενισχύσει ουσιαστικά τη διαλογή ΤΕΠ, ιδίως με μοντέλα που συνδυάζουν δομημένα και μη δομημένα δεδομένα. Η ασφαλής υιοθέτηση απαιτεί ωστόσο, προσεκτικό σχεδιασμό με τη διενέργεια μεγάλων προοπτικών πολυκεντρικών μελετών για την εφαρμογή μοντέλων ΤΝ, ως συμπληρωματικό εργαλείο στη νοσηλευτική κρίση κατά τη διαλογή, για τη βελτιστοποίηση της ασφάλειας και των κλινικών αποτελεσμάτων των ασθενών.","Introduction: In recent years, artificial intelligence (AI) has been investigated as an important triage tool in the ED, as it transforms data from static categorization into an individualized risk index for each patient. Modern Machine learning/deep learning models incorporate demographic data, vital signs, and free text, aiming at timely and accurate decision-making. Aim: The aim of this systematic review was to systematically collect research data regarding the accuracy and usefulness of AI applications in ED triage, in relation to established scales (ESI, KTAS, TTAS/CTAS, MTS, ETS) used by nurses and the interdisciplinary team. Methods: According to the Cochrane Handbook and PRISMA, a systematic search (2015–2025) was carried out in the international databases PubMed and Scopus with a PICO framework. MeSH/keywords were used for (a) setting/population (emergency department/nursing), (b) intervention (artificial intelligence, machine/deep learning, NLP, expert/decision-support), (c) triage (triage, ESI, MTS, CTAS, ATS, RETTS). Studies included in the systematic review were assessed for quality using the JBI Critical Appraisal tools, and for model development/validation studies, the risk of bias assessment tool PROBAST was additionally applied. Results: Of the 5,064 studies initially identified, 24 studies were included. ML/DL models consistently outperformed scales in admission, critical care/ICU, mortality, and emergency procedures, especially when incorporating free text and laboratory tests. Mistriage detection studies showed a reduction in under-triage in pilot applications. LLMs achieved moderate-good agreement in clinical scenarios with a tendency towards over-triage, but without documented efficacy in real-world settings. The quality of the studies was assessed as moderate overall (JBI), with heterogeneity in external validation, while the PROBAST tool showed moderate risk of bias."],"dc:identifier":["uoadl:5360859","https://pergamos.lib.uoa.gr/uoa/dl/object/5360859"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Επιστήμες Υγείας","Health Sciences"],"dc:title":["Σύγκριση της αποτελεσματικότητας του συστήματος διαλογής από νοσηλευτές και τεχνητή νοημοσύνη σε τμήματα επειγόντων περιστατικών :μια συστηματική ανασκόπηση"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-07-24T01:01:53Z"}