Year: 2025
Type: dissertation
Abstract: Η καρδιακή ανεπάρκεια (ΚΑ) αποτελεί σοβαρή παγκόσμια πρόκληση για τα συστήματα υγείας, λόγω της αυξημένης νοσηρότητας, της θνησιμότητας και των σχετικών οικονομικών επιβαρύνσεων. Η ακριβής πρόβλεψη της πορείας της νόσου είναι ζωτικής σημασίας για την εξατομίκευση της θεραπείας, τη σωστή διαχείριση πόρων και την ενημέρωση των ασθενών. Υπάρχει πλήθος προγνωστικών εργαλείων, από απλούς κλινικούς δείκτες όπως οι ADHERE και MAGGIC, μέχρι πιο εξελιγμένα μοντέλα που αξιοποιούν βιοδείκτες (π.χ. NT-proBNP, sST2), απεικονιστικά ευρήματα και αλγορίθμους τεχνητής νοημοσύνης (AI). Στις οξείες μορφές της ΚΑ, μοντέλα όπως τα EHMRG και STRATIFY βοηθούν στην ταχεία αξιολόγηση των ασθενών, ενώ σε χρόνιες περιπτώσεις, εργαλεία όπως τα SHFM και BCN Bio-HF υποστηρίζουν τον μακροχρόνιο σχεδιασμό της θεραπείας. Παρόλο που τα εργαλεία αυτά προσφέρουν σημαντικές δυνατότητες, πολλά από αυτά εμφανίζουν περιορισμούς, όπως περιορισμένη γενικευσιμότητα, στατικές μεταβλητές, έλλειψη ενσωμάτωσης σε ψηφιακές πλατφόρμες υγείας και περιορισμένη χρήση στην καθημερινή κλινική πράξη. Σύγχρονες μέθοδοι, που περιλαμβάνουν τεχνικές μηχανικής μάθησης, πολύ-ομικής προσέγγισης και τηλεπαρακολούθησης, ενδέχεται να προσφέρουν πιο δυναμικές και εξατομικευμένες προβλέψεις. Ωστόσο, παραμένουν ζητήματα που αφορούν την αξιοπιστία, τη διαφάνεια και τη δεοντολογική τους εφαρμογή. Για να καταστούν τα προγνωστικά μοντέλα πραγματικά χρήσιμα στην πράξη, απαιτείται συνεχής επικαιροποίηση, εξωτερική επικύρωση και αποτελεσματική ενσωμάτωσή τους στις κλινικές διαδικασίες. Η παρούσα ανασκόπηση αναδεικνύει τις προοπτικές των μοντέλων αυτών στη διαχείριση της ΚΑ, ενώ ταυτόχρονα τονίζει την ανάγκη προσεκτικής και τεκμηριωμένης χρήσης τους.
Authors: Σκουλαρίγκης, Σπυρίδων Ι., Σκουλαρίγκης, Σπυρίδων Ι.
Language: Greek
Subfield: Cardiology and Cardiovascular Medicine
Field: Medicine
Domain: Health Sciences
Keywords: heart failure, risk stratification, prognostic score, NT-proBNP, sST2, STRATIFY, acute heart failure, mortality prediction, artificial intelligence, machine learning, biomarkers, imaging findings, personalized treatment, patient education, health system burden, economic burden, quality of life, patient-reported outcomes
Open Access status: green
OpenAlex ID: W7112939007
