{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5424507"},"canonical_url":"https://search.dev.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5424507","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 στη διαχείρηση ροής ασθενών και στη μέιωσητ του χρόνου αναμονής στα τμήματα επειγόντων περιστατικών: συστηματική βιβλιογραφική ανασκόπηση","abstract":"Η παρούσα μεταπτυχιακή διπλωματική εργασία εξετάζει συστηματικά τον ρόλο της τεχνητής νοημοσύνης στη διαχείριση της ροής ασθενών και στη μείωση του χρόνου αναμονής στα Τμήματα Επειγόντων Περιστατικών. Η συμφόρηση στα ΤΕΠ αποτελεί ένα από τα σημαντικότερα λειτουργικά και κλινικά προβλήματα των σύγχρονων συστημάτων υγείας, καθώς συνδέεται με καθυστερήσεις στη διαλογή, παρατεταμένη διάρκεια παραμονής, αυξημένο φόρτο εργασίας του προσωπικού, επιβάρυνση των νοσοκομειακών πόρων και δυνητικά δυσμενείς εκβάσεις για τους ασθενείς. Σκοπός της εργασίας είναι να αποτιμηθεί κατά πόσο οι εφαρμογές τεχνητής νοημοσύνης και μηχανικής μάθησης μπορούν να συμβάλουν στη βελτίωση της αποδοτικότητας των ΤΕΠ, ιδίως μέσω της πρόβλεψης προσελεύσεων, της υποστήριξης της διαλογής, της πρόβλεψης εισαγωγών, της εκτίμησης της διάρκειας παραμονής και της βέλτιστης κατανομής πόρων. Η μεθοδολογία βασίστηκε στις κατευθυντήριες οδηγίες PRISMA για τη διεξαγωγή συστηματικών βιβλιογραφικών ανασκοπήσεων. Η ανασκόπηση οργανώθηκε γύρω από το πλαίσιο PICO/PICOS, με πληθυσμό τους ασθενείς των ΤΕΠ, παρέμβαση τις εφαρμογές τεχνητής νοημοσύνης, σύγκριση τα συμβατικά μοντέλα διαχείρισης και κύρια αποτελέσματα τον χρόνο αναμονής, τη διάρκεια παραμονής, τη ροή ασθενών, την ακρίβεια πρόβλεψης και την οικονομική αποδοτικότητα. Από 2.724 αρχικές εγγραφές, μετά την αφαίρεση των διπλοτύπων (1.833 εγγραφές προς έλεγχο) και την αξιολόγηση επιλεξιμότητας, συμπεριλήφθηκαν τελικά 47 μελέτες στη σύνθεση, ενώ 229 πλήρη κείμενα αποκλείστηκαν κατά το στάδιο της επιλεξιμότητας με τεκμηριωμένους λόγους. Τα ευρήματα δείχνουν ότι οι εφαρμογές τεχνητής νοημοσύνης παρουσιάζουνσημαντικές δυνατότητες βελτίωσης της λειτουργικής απόδοσης των ΤΕΠ, ιδιαίτερα σε τομείς όπως η προγνωστική ανάλυση, η αυτοματοποιημένη ταξινόμηση κινδύνου και η υποστήριξη διοικητικών αποφάσεων. Ωστόσο, η διαθέσιμη τεκμηρίωση παραμένει άνιση, καθώς μεγάλο μέρος των μελετών είναι αναδρομικό, με περιορισμένη εξωτερική επικύρωση και περιορισμένα δεδομένα πραγματικής κλινικής εφαρμογής. Η ανάλυση κόστους-αποτελεσματικότητας ανέδειξε ότι η τεχνητή νοημοσύνη μπορεί δυνητικά να μειώσει λειτουργικά κόστη, να βελτιώσει τη χρήση ανθρώπινων και υλικών πόρων και να περιορίσει τις συνέπειες της συμφόρησης. Παράλληλα, όμως, απαιτείται προσεκτική αποτίμηση των αρχικών δαπανών εγκατάστασης, της εκπαίδευσης προσωπικού, της διαλειτουργικότητας με πληροφοριακά συστήματα και της συνεχούς συντήρησης των μοντέλων. Συμπερασματικά, η τεχνητή νοημοσύνη δεν αποτελεί αυτόνομη λύση για τα προβλήματα των ΤΕΠ, αλλά μπορεί να λειτουργήσει ως ισχυρό εργαλείο υποστήριξης αποφάσεων, εφόσον ενταχθεί σε ένα κατάλληλο οργανωτικό, ηθικό, τεχνολογικό και κανονιστικό πλαίσιο.","abstract_html":"Η παρούσα μεταπτυχιακή διπλωματική εργασία εξετάζει συστηματικά τον ρόλο της τεχνητής νοημοσύνης στη διαχείριση της ροής ασθενών και στη μείωση του χρόνου αναμονής στα Τμήματα Επειγόντων Περιστατικών. Η συμφόρηση στα ΤΕΠ αποτελεί ένα από τα σημαντικότερα λειτουργικά και κλινικά προβλήματα των σύγχρονων συστημάτων υγείας, καθώς συνδέεται με καθυστερήσεις στη διαλογή, παρατεταμένη διάρκεια παραμονής, αυξημένο φόρτο εργασίας του προσωπικού, επιβάρυνση των νοσοκομειακών πόρων και δυνητικά δυσμενείς εκβάσεις για τους ασθενείς. Σκοπός της εργασίας είναι να αποτιμηθεί κατά πόσο οι εφαρμογές τεχνητής νοημοσύνης και μηχανικής μάθησης μπορούν να συμβάλουν στη βελτίωση της αποδοτικότητας των ΤΕΠ, ιδίως μέσω της πρόβλεψης προσελεύσεων, της υποστήριξης της διαλογής, της πρόβλεψης εισαγωγών, της εκτίμησης της διάρκειας παραμονής και της βέλτιστης κατανομής πόρων. Η μεθοδολογία βασίστηκε στις κατευθυντήριες οδηγίες PRISMA για τη διεξαγωγή συστηματικών βιβλιογραφικών ανασκοπήσεων. Η ανασκόπηση οργανώθηκε γύρω από το πλαίσιο PICO/PICOS, με πληθυσμό τους ασθενείς των ΤΕΠ, παρέμβαση τις εφαρμογές τεχνητής νοημοσύνης, σύγκριση τα συμβατικά μοντέλα διαχείρισης και κύρια αποτελέσματα τον χρόνο αναμονής, τη διάρκεια παραμονής, τη ροή ασθενών, την ακρίβεια πρόβλεψης και την οικονομική αποδοτικότητα. Από 2.724 αρχικές εγγραφές, μετά την αφαίρεση των διπλοτύπων (1.833 εγγραφές προς έλεγχο) και την αξιολόγηση επιλεξιμότητας, συμπεριλήφθηκαν τελικά 47 μελέτες στη σύνθεση, ενώ 229 πλήρη κείμενα αποκλείστηκαν κατά το στάδιο της επιλεξιμότητας με τεκμηριωμένους λόγους. Τα ευρήματα δείχνουν ότι οι εφαρμογές τεχνητής νοημοσύνης παρουσιάζουνσημαντικές δυνατότητες βελτίωσης της λειτουργικής απόδοσης των ΤΕΠ, ιδιαίτερα σε τομείς όπως η προγνωστική ανάλυση, η αυτοματοποιημένη ταξινόμηση κινδύνου και η υποστήριξη διοικητικών αποφάσεων. Ωστόσο, η διαθέσιμη τεκμηρίωση παραμένει άνιση, καθώς μεγάλο μέρος των μελετών είναι αναδρομικό, με περιορισμένη εξωτερική επικύρωση και περιορισμένα δεδομένα πραγματικής κλινικής εφαρμογής. Η ανάλυση κόστους-αποτελεσματικότητας ανέδειξε ότι η τεχνητή νοημοσύνη μπορεί δυνητικά να μειώσει λειτουργικά κόστη, να βελτιώσει τη χρήση ανθρώπινων και υλικών πόρων και να περιορίσει τις συνέπειες της συμφόρησης. Παράλληλα, όμως, απαιτείται προσεκτική αποτίμηση των αρχικών δαπανών εγκατάστασης, της εκπαίδευσης προσωπικού, της διαλειτουργικότητας με πληροφοριακά συστήματα και της συνεχούς συντήρησης των μοντέλων. Συμπερασματικά, η τεχνητή νοημοσύνη δεν αποτελεί αυτόνομη λύση για τα προβλήματα των ΤΕΠ, αλλά μπορεί να λειτουργήσει ως ισχυρό εργαλείο υποστήριξης αποφάσεων, εφόσον ενταχθεί σε ένα κατάλληλο οργανωτικό, ηθικό, τεχνολογικό και κανονιστικό πλαίσιο.","abstract_has_math":false,"creators":["Χαραλαμπάκης Αντώνιος","Charalampakis Antonios"],"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":"2026-08-21T16:41:56Z","subjects":["Επιστήμες Υγείας","Health Sciences"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5424507"],"render_values":[{"text":"uoadl:5424507","href":null,"code":true}]}]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5424507","outbound_label":"Repository record","outbound_source":"dc:identifier"},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A5424507","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Χαραλαμπάκης Αντώνιος","Charalampakis Antonios"]}]},{"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:5424507","https://pergamos.lib.uoa.gr/uoa/dl/object/5424507"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η παρούσα μεταπτυχιακή διπλωματική εργασία εξετάζει συστηματικά τον ρόλο της τεχνητής νοημοσύνης στη διαχείριση της ροής ασθενών και στη μείωση του χρόνου αναμονής στα Τμήματα Επειγόντων Περιστατικών. Η συμφόρηση στα ΤΕΠ αποτελεί ένα από τα σημαντικότερα λειτουργικά και κλινικά προβλήματα των σύγχρονων συστημάτων υγείας, καθώς συνδέεται με καθυστερήσεις στη διαλογή, παρατεταμένη διάρκεια παραμονής, αυξημένο φόρτο εργασίας του προσωπικού, επιβάρυνση των νοσοκομειακών πόρων και δυνητικά δυσμενείς εκβάσεις για τους ασθενείς. Σκοπός της εργασίας είναι να αποτιμηθεί κατά πόσο οι εφαρμογές τεχνητής νοημοσύνης και μηχανικής μάθησης μπορούν να συμβάλουν στη βελτίωση της αποδοτικότητας των ΤΕΠ, ιδίως μέσω της πρόβλεψης προσελεύσεων, της υποστήριξης της διαλογής, της πρόβλεψης εισαγωγών, της εκτίμησης της διάρκειας παραμονής και της βέλτιστης κατανομής πόρων. Η μεθοδολογία βασίστηκε στις κατευθυντήριες οδηγίες PRISMA για τη διεξαγωγή συστηματικών βιβλιογραφικών ανασκοπήσεων. Η ανασκόπηση οργανώθηκε γύρω από το πλαίσιο PICO/PICOS, με πληθυσμό τους ασθενείς των ΤΕΠ, παρέμβαση τις εφαρμογές τεχνητής νοημοσύνης, σύγκριση τα συμβατικά μοντέλα διαχείρισης και κύρια αποτελέσματα τον χρόνο αναμονής, τη διάρκεια παραμονής, τη ροή ασθενών, την ακρίβεια πρόβλεψης και την οικονομική αποδοτικότητα. Από 2.724 αρχικές εγγραφές, μετά την αφαίρεση των διπλοτύπων (1.833 εγγραφές προς έλεγχο) και την αξιολόγηση επιλεξιμότητας, συμπεριλήφθηκαν τελικά 47 μελέτες στη σύνθεση, ενώ 229 πλήρη κείμενα αποκλείστηκαν κατά το στάδιο της επιλεξιμότητας με τεκμηριωμένους λόγους. Τα ευρήματα δείχνουν ότι οι εφαρμογές τεχνητής νοημοσύνης παρουσιάζουνσημαντικές δυνατότητες βελτίωσης της λειτουργικής απόδοσης των ΤΕΠ, ιδιαίτερα σε τομείς όπως η προγνωστική ανάλυση, η αυτοματοποιημένη ταξινόμηση κινδύνου και η υποστήριξη διοικητικών αποφάσεων. Ωστόσο, η διαθέσιμη τεκμηρίωση παραμένει άνιση, καθώς μεγάλο μέρος των μελετών είναι αναδρομικό, με περιορισμένη εξωτερική επικύρωση και περιορισμένα δεδομένα πραγματικής κλινικής εφαρμογής. Η ανάλυση κόστους-αποτελεσματικότητας ανέδειξε ότι η τεχνητή νοημοσύνη μπορεί δυνητικά να μειώσει λειτουργικά κόστη, να βελτιώσει τη χρήση ανθρώπινων και υλικών πόρων και να περιορίσει τις συνέπειες της συμφόρησης. Παράλληλα, όμως, απαιτείται προσεκτική αποτίμηση των αρχικών δαπανών εγκατάστασης, της εκπαίδευσης προσωπικού, της διαλειτουργικότητας με πληροφοριακά συστήματα και της συνεχούς συντήρησης των μοντέλων. Συμπερασματικά, η τεχνητή νοημοσύνη δεν αποτελεί αυτόνομη λύση για τα προβλήματα των ΤΕΠ, αλλά μπορεί να λειτουργήσει ως ισχυρό εργαλείο υποστήριξης αποφάσεων, εφόσον ενταχθεί σε ένα κατάλληλο οργανωτικό, ηθικό, τεχνολογικό και κανονιστικό πλαίσιο.","This postgraduate dissertation systematically examines the role of artificial intelligence in patient flow management and waiting time reduction in Emergency Departments. Emergency Department crowding represents one of the most persistent operational and clinical challenges in contemporary health care systems, as it is associated with delays in triage, prolonged length of stay, increased staff workload, inefficient use of hospital resources and potentially adverse patient outcomes. The aim of this dissertation is to assess whether artificial intelligence and machine learning applications can improve Emergency Department efficiency, particularly through demand forecasting, triage support, admission prediction, length-of-stay estimation and resource allocation. The methodology followed the PRISMA guidelines for systematic literature reviews. The review was structured around the PICO/PICOS framework, defining the population as Emergency Department patients, the intervention as artificial intelligence applications, the comparison as conventional management models, and the main outcomes as waiting time, length of stay, patient flow, predictive accuracy and economic efficiency. The findings indicate that artificial intelligence applications show considerable potential for improving the operational performance of Emergency Departments, especially in predictive analytics, automated risk stratification and administrative decision support. However, the available evidence remains uneven, as a large proportion of the existing studies are retrospective, with limited external validation and limited evaluation in realworld clinical settings.The cost-effectiveness analysis suggests that artificial intelligence may potentially reduce operational costs, improve the use of human and material resources and mitigate the consequences of Emergency Department crowding. At the same time, careful consideration is required regarding implementation costs, staff training, interoperability with existing health information systems, model maintenance and continuous performance monitoring. Overall, artificial intelligence should not be viewed as a stand-alone solution to Emergency Department crowding, but rather as a decision-support tool that can enhance clinical and administrative processes when embedded within an appropriate organizational, ethical, technological and regulatory framework. Future research should focus on prospective implementation studies, external validation, health economic evaluations and transparent governance mechanisms to ensure safe, equitable and effective integration of artificial intelligence into emergency care."]},{"key":"dc:title","label":"Title","values":["Τεχνητή νοημοσύνη στη διαχείρηση ροής ασθενών και στη μέιωσητ του χρόνου αναμονής στα τμήματα επειγόντων περιστατικών: συστηματική βιβλιογραφική ανασκόπηση"]}]}],"canonical_facts":{"dc:creator":["Χαραλαμπάκης Αντώνιος","Charalampakis Antonios"],"dc:date":["2026"],"dc:description":["Η παρούσα μεταπτυχιακή διπλωματική εργασία εξετάζει συστηματικά τον ρόλο της τεχνητής νοημοσύνης στη διαχείριση της ροής ασθενών και στη μείωση του χρόνου αναμονής στα Τμήματα Επειγόντων Περιστατικών. Η συμφόρηση στα ΤΕΠ αποτελεί ένα από τα σημαντικότερα λειτουργικά και κλινικά προβλήματα των σύγχρονων συστημάτων υγείας, καθώς συνδέεται με καθυστερήσεις στη διαλογή, παρατεταμένη διάρκεια παραμονής, αυξημένο φόρτο εργασίας του προσωπικού, επιβάρυνση των νοσοκομειακών πόρων και δυνητικά δυσμενείς εκβάσεις για τους ασθενείς. Σκοπός της εργασίας είναι να αποτιμηθεί κατά πόσο οι εφαρμογές τεχνητής νοημοσύνης και μηχανικής μάθησης μπορούν να συμβάλουν στη βελτίωση της αποδοτικότητας των ΤΕΠ, ιδίως μέσω της πρόβλεψης προσελεύσεων, της υποστήριξης της διαλογής, της πρόβλεψης εισαγωγών, της εκτίμησης της διάρκειας παραμονής και της βέλτιστης κατανομής πόρων. Η μεθοδολογία βασίστηκε στις κατευθυντήριες οδηγίες PRISMA για τη διεξαγωγή συστηματικών βιβλιογραφικών ανασκοπήσεων. Η ανασκόπηση οργανώθηκε γύρω από το πλαίσιο PICO/PICOS, με πληθυσμό τους ασθενείς των ΤΕΠ, παρέμβαση τις εφαρμογές τεχνητής νοημοσύνης, σύγκριση τα συμβατικά μοντέλα διαχείρισης και κύρια αποτελέσματα τον χρόνο αναμονής, τη διάρκεια παραμονής, τη ροή ασθενών, την ακρίβεια πρόβλεψης και την οικονομική αποδοτικότητα. Από 2.724 αρχικές εγγραφές, μετά την αφαίρεση των διπλοτύπων (1.833 εγγραφές προς έλεγχο) και την αξιολόγηση επιλεξιμότητας, συμπεριλήφθηκαν τελικά 47 μελέτες στη σύνθεση, ενώ 229 πλήρη κείμενα αποκλείστηκαν κατά το στάδιο της επιλεξιμότητας με τεκμηριωμένους λόγους. Τα ευρήματα δείχνουν ότι οι εφαρμογές τεχνητής νοημοσύνης παρουσιάζουνσημαντικές δυνατότητες βελτίωσης της λειτουργικής απόδοσης των ΤΕΠ, ιδιαίτερα σε τομείς όπως η προγνωστική ανάλυση, η αυτοματοποιημένη ταξινόμηση κινδύνου και η υποστήριξη διοικητικών αποφάσεων. Ωστόσο, η διαθέσιμη τεκμηρίωση παραμένει άνιση, καθώς μεγάλο μέρος των μελετών είναι αναδρομικό, με περιορισμένη εξωτερική επικύρωση και περιορισμένα δεδομένα πραγματικής κλινικής εφαρμογής. Η ανάλυση κόστους-αποτελεσματικότητας ανέδειξε ότι η τεχνητή νοημοσύνη μπορεί δυνητικά να μειώσει λειτουργικά κόστη, να βελτιώσει τη χρήση ανθρώπινων και υλικών πόρων και να περιορίσει τις συνέπειες της συμφόρησης. Παράλληλα, όμως, απαιτείται προσεκτική αποτίμηση των αρχικών δαπανών εγκατάστασης, της εκπαίδευσης προσωπικού, της διαλειτουργικότητας με πληροφοριακά συστήματα και της συνεχούς συντήρησης των μοντέλων. Συμπερασματικά, η τεχνητή νοημοσύνη δεν αποτελεί αυτόνομη λύση για τα προβλήματα των ΤΕΠ, αλλά μπορεί να λειτουργήσει ως ισχυρό εργαλείο υποστήριξης αποφάσεων, εφόσον ενταχθεί σε ένα κατάλληλο οργανωτικό, ηθικό, τεχνολογικό και κανονιστικό πλαίσιο.","This postgraduate dissertation systematically examines the role of artificial intelligence in patient flow management and waiting time reduction in Emergency Departments. Emergency Department crowding represents one of the most persistent operational and clinical challenges in contemporary health care systems, as it is associated with delays in triage, prolonged length of stay, increased staff workload, inefficient use of hospital resources and potentially adverse patient outcomes. The aim of this dissertation is to assess whether artificial intelligence and machine learning applications can improve Emergency Department efficiency, particularly through demand forecasting, triage support, admission prediction, length-of-stay estimation and resource allocation. The methodology followed the PRISMA guidelines for systematic literature reviews. The review was structured around the PICO/PICOS framework, defining the population as Emergency Department patients, the intervention as artificial intelligence applications, the comparison as conventional management models, and the main outcomes as waiting time, length of stay, patient flow, predictive accuracy and economic efficiency. The findings indicate that artificial intelligence applications show considerable potential for improving the operational performance of Emergency Departments, especially in predictive analytics, automated risk stratification and administrative decision support. However, the available evidence remains uneven, as a large proportion of the existing studies are retrospective, with limited external validation and limited evaluation in realworld clinical settings.The cost-effectiveness analysis suggests that artificial intelligence may potentially reduce operational costs, improve the use of human and material resources and mitigate the consequences of Emergency Department crowding. At the same time, careful consideration is required regarding implementation costs, staff training, interoperability with existing health information systems, model maintenance and continuous performance monitoring. Overall, artificial intelligence should not be viewed as a stand-alone solution to Emergency Department crowding, but rather as a decision-support tool that can enhance clinical and administrative processes when embedded within an appropriate organizational, ethical, technological and regulatory framework. Future research should focus on prospective implementation studies, external validation, health economic evaluations and transparent governance mechanisms to ensure safe, equitable and effective integration of artificial intelligence into emergency care."],"dc:identifier":["uoadl:5424507","https://pergamos.lib.uoa.gr/uoa/dl/object/5424507"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Επιστήμες Υγείας","Health Sciences"],"dc:title":["Τεχνητή νοημοσύνη στη διαχείρηση ροής ασθενών και στη μέιωσητ του χρόνου αναμονής στα τμήματα επειγόντων περιστατικών: συστηματική βιβλιογραφική ανασκόπηση"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-08-21T16:41:56Z"}