Με πάνω από 20 χρόνια εμπειρίας, μεταμορφώνουμε την ψηφιακή σας παρουσία. Εξειδικευόμαστε στην κατασκευή ιστοσελίδων και E-Shop, το SEO και το Digital Marketing, τα ERP λογισμικά και τους έξυπνους αυτοματισμούς που απογειώνουν την επιχείρησή σας.
Διεύθυνση:
Εγνατία 154, Θεσσαλονίκη 546 36
Τηλέφωνο:
+30 231 231 4095
E-mail:
hello@twodots.gr
Έτοιμοι για το επόμενο βήμα;
Το PATHFinder Agent οργανώνει εξατομικευμένη προγεννητική φροντίδα με 13 ελεγχόμενα εργαλεία και υποχρεωτική κλινική επίβλεψη. Τι αποδεικνύει η μελέτη και ποια μαθήματα δίνει για ασφαλέστερους επιχειρησιακούς AI agents;
Το PATHFinder Agent δείχνει πώς ένας AI agent μπορεί να οργανώσει μια σύνθετη υπηρεσία χωρίς να αποκτήσει την τελική αρμοδιότητα απόφασης. Συλλέγει ιατρικό και κοινωνικό πλαίσιο, χρησιμοποιεί 13 περιορισμένα εργαλεία, συνθέτει εξατομικευμένο πλάνο προγεννητικής φροντίδας και το παραδίδει υποχρεωτικά σε ασθενή και κλινικό για έλεγχο.
Η μελέτη δεν αποδεικνύει κλινική ασφάλεια ή βελτίωση εκβάσεων. Προσφέρει όμως ένα συγκεκριμένο πρότυπο για AI agents υψηλού ρίσκου: επιμελημένες πηγές, στενά δικαιώματα, αξιολόγηση ανά κρίσιμη εργασία, ορατό προσχέδιο και σαφές σημείο ανθρώπινης ευθύνης.
Σημαντικό όριο: το PATHFinder είναι ερευνητικό πρωτότυπο και όχι ιατρική υπηρεσία. Η δημοσιευμένη αξιολόγηση χρησιμοποίησε συνθετικά προφίλ και LLM-as-judge· δεν περιλαμβάνει πραγματικές ασθενείς, κλινικές εκβάσεις ή άδεια για αυτόνομες προγεννητικές αποφάσεις.
Το PATHFinder Agent, από το Planner for Appropriate Tailored Healthcare, είναι ένα συνομιλιακό ερευνητικό σύστημα του University of Michigan. Στόχος του είναι να συγκεντρώνει ιατρικό ιστορικό, προτιμήσεις και κοινωνικό πλαίσιο, να συνδέει τις απαντήσεις με τις οδηγίες PATH και να δημιουργεί ένα εξατομικευμένο πλάνο προγεννητικής φροντίδας για κοινό έλεγχο από την ασθενή και τον επαγγελματία υγείας.
Οι οδηγίες PATH επιχειρούν να μετακινήσουν την προγεννητική παρακολούθηση από ένα ενιαίο πρόγραμμα προς φροντίδα που λαμβάνει υπόψη ιατρικές ανάγκες, κοινωνικούς και δομικούς παράγοντες, συχνότητα επισκέψεων, τηλεϊατρική και εναλλακτικούς τρόπους παροχής. Η ACOG δημοσίευσε το 2025 σχετικό Clinical Consensus, ενώ η ερευνητική ομάδα αναφέρει ότι ο σχεδιασμός βασίστηκε σε συνεντεύξεις με 110 ασθενείς, κλινικούς και υπεύθυνους πολιτικής από 25 οργανισμούς και περισσότερες από 75 κλινικές.
Το πρόβλημα δεν είναι απλώς να παραχθεί μια καλή απάντηση. Είναι να οργανωθούν πολλές διαδοχικές ενέργειες: συλλογή σωστού context, εντοπισμός κοινωνικών αναγκών, αντιστοίχιση με διαθέσιμους πόρους, δημιουργία χρονοδιαγράμματος, επισήμανση κινδύνων και τελική κλινική κρίση. Αυτή η ορχήστρωση κάνει το PATHFinder χρήσιμο case study για επιχειρησιακούς αυτοματισμούς με AI, ακόμη και έξω από τον χώρο της υγείας.
Στο πρώτο στάδιο, η ασθενής συμπληρώνει τυποποιημένη φόρμα με δημογραφικά στοιχεία, ιατρικό ιστορικό, ηλικία κύησης και κοινωνικούς παράγοντες. Η εμπειρία μιμείται τη γνωστή κλινική εισαγωγή στοιχείων, ώστε ο agent να εντάσσεται σε υπάρχουσα ροή και να μην ξεκινά από μια ανοιχτή, αδόμητη συνομιλία.
Στο δεύτερο στάδιο, το σύστημα υποβάλλει προσαρμοσμένες διευκρινιστικές ερωτήσεις. Ένα δεύτερο LLM εξετάζει τις ερωτήσεις και δημιουργεί στοιχεία διεπαφής, όπως κουμπιά, checkboxes και switches. Η επιλογή μειώνει την ανάγκη για πολύ ελεύθερο κείμενο, χωρίς να καταργεί τη δυνατότητα της ασθενούς να δώσει κρίσιμο πλαίσιο.
Στο τρίτο στάδιο παράγονται σύνοψη για την ασθενή, κλινική σύνοψη, προτεινόμενο χρονοδιάγραμμα επισκέψεων και σχετικοί πόροι Michigan 211. Η ασθενής μπορεί να διαβάσει το αποτέλεσμα, να ζητήσει διευκρινίσεις και να διορθώσει στοιχεία. Στο τέταρτο στάδιο, ο κλινικός βλέπει τη συνομιλία, τις σημάνσεις κινδύνου, την αναφορά και το χρονοδιάγραμμα και αποφασίζει αν θα εγκρίνει ή θα αλλάξει το πλάνο.
Το PATHFinder σε τέσσερις τεκμηριωμένες μετρήσεις
Οι τιμές περιγράφουν διαφορετικές ιδιότητες του πρωτοτύπου και της αξιολόγησης· δεν είναι συγκρίσιμα ποσοστά ούτε απόδειξη κλινικής αποτελεσματικότητας.
Εισαγωγή στοιχείων, δυναμικός διάλογος, σύνθεση πλάνου και κλινικός έλεγχος.
Ιατρικές ενέργειες, αναζήτηση πόρων, εξατομίκευση και σύνθεση αναφοράς.
Συχνότητα, υπηρεσίες, προγεννητικοί έλεγχοι, υπέρηχοι ανάπτυξης και τρόπος φροντίδας.
Η επίδοση του GPT-5.2 στα συγκεκριμένα expert-curated rubrics με συνθετικά προφίλ.
Ο agent διαθέτει 13 εργαλεία σε τέσσερις κατηγορίες. Στην ιατρική κατηγορία υπάρχουν calculator για TOLAC, δηλαδή δοκιμή τοκετού μετά από καισαρική, και ρητή ενέργεια παραπομπής στον κλινικό. Η κατηγορία κοινωνικών αναγκών αναζητά ομάδες, κατηγορίες, υποκατηγορίες και πόρους με βάση τον ταχυδρομικό κώδικα.
Η τρίτη κατηγορία καλεί δεύτερο LLM για στοχευμένες follow-up ερωτήσεις. Η τέταρτη δημιουργεί τα επιμέρους μέρη της αναφοράς: σύνοψη ασθενούς, κλινική σύνοψη, προτάσεις, πόρους και πρόγραμμα επισκέψεων. Κάθε ενέργεια έχει συγκεκριμένο όνομα και σκοπό, αντί να δίνεται στο μοντέλο γενική πρόσβαση σε δεδομένα ή συστήματα.
Αυτόνομο chatbot ή ελεγχόμενος agent;
Το μοντέλο καλείται να αποφασίσει και να εκτελέσει χωρίς ρητά όρια, σταθερό schema ή καταγεγραμμένη διαδρομή.
Κάθε πράξη γίνεται μέσω συγκεκριμένου εργαλείου με γνωστή είσοδο, έξοδο και σημείο κλιμάκωσης.
Ο συνολικός μέσος όρος μπορεί να κρύψει αστοχία ακριβώς στην κατηγορία με το μεγαλύτερο κόστος λάθους.
Η επίδοση μετριέται χωριστά σε κρίσιμες αποφάσεις και η αυτόνομη ολοκλήρωση μπλοκάρεται όπου χρειάζεται.
Για CRM, customer support ή e-commerce, η ίδια αρχή σημαίνει ότι ο agent δεν πρέπει να έχει ένα αόριστο εργαλείο «διαχειρίσου τον πελάτη». Χρειάζεται ξεχωριστές, ελεγχόμενες ενέργειες για αναζήτηση παραγγελίας, ανάγνωση πολιτικής, πρόταση λύσης, επιστροφή χρημάτων και κλιμάκωση σε άνθρωπο. Όσο αυξάνεται το κόστος λάθους, τόσο στενότερα πρέπει να είναι τα δικαιώματα.
Η τεχνική αρχιτεκτονική συνδυάζει React frontend, FastAPI backend, LLM με tool executor, classifier επίβλεψης, υπηρεσία FHIR, generator αναφοράς και σχεσιακή βάση για την κατάσταση της συνομιλίας. Οι system instructions φτάνουν περίπου τα 14.000 tokens και περιλαμβάνουν γνώση από τις οδηγίες ACOG, κανόνες χρήσης εργαλείων, workflow και πολιτικές ασφαλείας.
Η παρουσία FHIR δεν μετατρέπει αυτομάτως το σύστημα σε ασφαλές ή διαλειτουργικό προϊόν. Δείχνει όμως ότι ο agent σχεδιάστηκε ως μέρος μιας μεγαλύτερης υποδομής δεδομένων και όχι ως απομονωμένο chat. Η διατήρηση κατάστασης, τα structured outputs και η διάκριση ανάμεσα σε ασθενή, agent και κλινικό είναι εξίσου σημαντικά με την επιλογή μοντέλου.
Αυτό συνδέεται με ένα ευρύτερο μάθημα από τα AI agents στην υγεία και το FHIR: η ποιότητα της συνομιλίας δεν αρκεί όταν τα δεδομένα, οι ρόλοι και οι επόμενες ενέργειες δεν είναι ρητά ορισμένα. Η αξία βρίσκεται στην αξιόπιστη ενσωμάτωση του μοντέλου μέσα στη διαδικασία.
Η αξιολόγηση δεν έγινε με πραγματικές ασθενείς. Οι ερευνητές χρησιμοποίησαν συνθετικά προφίλ με διαφορετικά ιατρικά ιστορικά, μεταξύ άλλων κυήσεις υψηλού κινδύνου και υποψηφίους για TOLAC. Κάθε προφίλ συνοδεύτηκε από rubrics επιμελημένα από ειδικούς.
Οι πέντε διαστάσεις ήταν η σωστή συχνότητα επισκέψεων, οι σωστές υπηρεσίες και εξετάσεις, το timing προγεννητικών ελέγχων, το timing υπερήχων ανάπτυξης και ο κατάλληλος τρόπος παροχής φροντίδας. Η βαθμολόγηση έγινε με LLM-as-judge και κανονικοποιήθηκε σε κλίμακα 0–100%.
Το GPT-5.2 πέτυχε μέσο rubric score 77,60%, το Gemini 2.5 Pro 71,50%, το Gemini 2.5 Flash 62,00% και το GPT-4o 57,25%. Οι αριθμοί αφορούν τα συγκεκριμένα προφίλ, prompts, rubrics και μοντέλα της μελέτης. Δεν μπορούν να διαβαστούν ως ποσοστά κλινικής ακρίβειας ούτε ως σύγκριση πραγματικών εκβάσεων υγείας.
Η συχνότητα επισκέψεων ήταν η ευκολότερη διάσταση για όλα τα μοντέλα. Οι προτάσεις για υπηρεσίες και ιδιαίτερα το timing των antenatal tests εμφάνισαν τις μεγαλύτερες δυσκολίες και αποκλίσεις. Το εύρημα είναι ουσιαστικό επειδή μια πειστική σύνοψη ή ένα καλοσχεδιασμένο χρονοδιάγραμμα δεν αποδεικνύει ότι κάθε σύσταση είναι σωστή.
Η μέση επίδοση συμπιέζει διαφορετικά είδη σφάλματος σε έναν αριθμό. Σε υψηλού ρίσκου ροές, η ομάδα πρέπει να εντοπίζει ποια υποεργασία μπορεί να προκαλέσει πραγματική βλάβη και να εφαρμόζει αυστηρότερο gate ακριβώς εκεί. Το ίδιο ισχύει για επιστροφές χρημάτων, πιστωτικές αποφάσεις, διαχείριση λογαριασμών ή αλλαγές σε εταιρικά δεδομένα.
Το κρίσιμο όριο
Η ευχέρεια της απάντησης δεν είναι απόδειξη ορθότητας της απόφασης.
Ο agent μπορεί να οργανώνει δεδομένα, να αναζητά πηγές και να προτείνει επόμενο βήμα. Η τελική πράξη πρέπει να περνά από ανεξάρτητη επαλήθευση όταν το σφάλμα επηρεάζει υγεία, χρήματα, δικαιώματα, πρόσβαση ή μη αναστρέψιμα δεδομένα.
Στο PATHFinder ο κλινικός δεν εμφανίζεται στο τέλος ως διακοσμητικός εγκριτής. Βλέπει σύνοψη, χρονοδιάγραμμα, στάδιο συνομιλίας, risk flags και controls κλιμάκωσης. Μπορεί να τροποποιήσει το πλάνο μετά από επιπλέον συζήτηση με την ασθενή. Η επίβλεψη είναι λειτουργικό βήμα της υπηρεσίας και όχι γενική υπόσχεση ότι «υπάρχει άνθρωπος στο loop».
Παράλληλα, η ασθενής βλέπει το προσχέδιο πριν από την τελική επεξεργασία. Αυτό δημιουργεί δεύτερο κανάλι ελέγχου για λανθασμένα στοιχεία εισόδου, παρερμηνείες και ασαφείς όρους. Η διαφάνεια έχει πρακτική αξία επειδή ένα λάθος στην αρχή μπορεί να επηρεάσει όλες τις επόμενες ενέργειες του agent.
Ένα επαρκές human gate ορίζει ποιος ελέγχει, τι πληροφορία βλέπει, ποια δικαιώματα αλλαγής έχει και τι συμβαίνει όταν δεν απαντήσει. Η ανθρώπινη επίβλεψη στους AI agents λειτουργεί μόνο όταν συνοδεύεται από συγκεκριμένη διαδρομή ευθύνης και όχι από ένα κουμπί έγκρισης χωρίς context.
Η σύνδεση με το Michigan 211 είναι από τα πιο χαρακτηριστικά στοιχεία του PATHFinder. Η προγεννητική φροντίδα αντιμετωπίζεται ως υπηρεσία που επηρεάζεται από στέγαση, τρόφιμα, μεταφορές, λογαριασμούς και άλλες πρακτικές συνθήκες. Ο agent αναζητά πραγματικούς πόρους ανά κατηγορία, υποκατηγορία και ταχυδρομικό κώδικα αντί να δίνει μια γενική συμβουλή.
Η ίδια αρχή μεταφέρεται σε επιχειρησιακές εφαρμογές. Ένας e-commerce assistant έχει αξία όταν γνωρίζει πραγματικό απόθεμα, περιοχή αποστολής, SLA και πολιτική επιστροφών. Ένας support agent πρέπει να συνδέεται με ενημερωμένη βάση γνώσης και πραγματική κατάσταση λογαριασμού. Η εξατομίκευση δεν είναι πιο ζεστό copy· είναι αντιστοίχιση σωστού context με διαθέσιμη και επιτρεπτή ενέργεια.
Τα grounded δεδομένα χρειάζονται επίσης ημερομηνία, ιδιοκτήτη και μηχανισμό ενημέρωσης. Ένας πόρος που ήταν σωστός πριν από έξι μήνες μπορεί να μην είναι διαθέσιμος σήμερα. Το retrieval πρέπει επομένως να συνοδεύεται από provenance και έλεγχο φρεσκάδας, όχι απλώς από semantic similarity.
Το paper περιγράφει ένα πρωτότυπο πέντε σελίδων, αποδεκτό ως demo στο ACM Interactive Health 2026, και μια αρχική τεχνική αξιολόγηση. Δεν αναφέρει κλινική δοκιμή με πραγματικές εγκύους, δεν μετρά επιπτώσεις σε εκβάσεις υγείας και δεν παρέχει formal accuracy guarantees. Οι συγγραφείς τοποθετούν τις μελέτες ανθρώπινων συμμετεχόντων και τις τυχαιοποιημένες ελεγχόμενες δοκιμές στη μελλοντική εργασία.
Η χρήση LLM-as-judge προσθέτει ακόμη ένα επίπεδο αβεβαιότητας. Τα expert-curated rubrics βελτιώνουν τη στόχευση της αξιολόγησης, αλλά ο αυτόματος κριτής μπορεί να έχει δικές του αστοχίες. Για κρίσιμες αποφάσεις χρειάζονται πολλαπλές μέθοδοι ελέγχου, γνωστό ground truth και ανεξάρτητη ανθρώπινη αξιολόγηση, όπως προτείνει και το NIST Generative AI Profile.
Η χρηματοδότηση προήλθε εν μέρει από τη Google και το University of Michigan, στοιχείο που οι συγγραφείς δηλώνουν στις ευχαριστίες. Η σωστή ανάγνωση δεν είναι ότι ένα μοντέλο με 77,6% είναι «αρκετά ασφαλές», αλλά ότι ακόμη και το καλύτερο αποτέλεσμα της δοκιμής άφησε ουσιαστικό περιθώριο σφάλματος.
Ένας agent που επεξεργάζεται ευαίσθητα δεδομένα χρειάζεται ρητό σκοπό, ελάχιστη συλλογή, περιορισμούς πρόσβασης, πολιτική διατήρησης και πλήρες audit trail. Πρέπει να είναι σαφές ποια δεδομένα εισάγει ο χρήστης, ποια ανακτώνται από εξωτερικά συστήματα, ποια αποθηκεύονται και ποιος μπορεί να τα διορθώσει ή να τα διαγράψει.
Τα tool calls χρειάζονται ξεχωριστή εξουσιοδότηση και validation. Ένα μοντέλο δεν πρέπει να μετατρέπει μόνο του ελεύθερο κείμενο σε μη αναστρέψιμη ενέργεια. Το σύστημα οφείλει να ελέγχει schema, επιτρεπτές τιμές, ρόλο χρήστη, επιχειρησιακούς κανόνες και επίπεδο κινδύνου πριν εκτελέσει την πράξη.
Η ασφάλεια περιλαμβάνει και την ανθεκτικότητα σε κακόβουλο ή παραπλανητικό περιεχόμενο. Όταν ο agent διαβάζει εξωτερικές πηγές, η έμμεση prompt injection μπορεί να επιχειρήσει να αλλάξει τον στόχο ή να αποσπάσει δεδομένα. Οι πηγές πρέπει να θεωρούνται μη έμπιστο input και να μην αποκτούν ισχύ system instruction.
Από το use case σε ελεγχόμενη λειτουργία
Ορίστε τον επιχειρησιακό στόχο, τα επιτρεπτά δεδομένα, τις κρίσιμες αποφάσεις και ποιος άνθρωπος έχει την τελική αρμοδιότητα σε κάθε διαδρομή.
Δώστε στον agent συγκεκριμένα tool calls με schema, validation, ελάχιστα δικαιώματα και σαφή διάκριση ανάμεσα σε ανάγνωση, πρόταση και εκτέλεση.
Καταγράψτε προέλευση, ημερομηνία και ιδιοκτήτη κάθε πηγής και μην αφήνετε τη μνήμη του μοντέλου να υποκαθιστά πραγματικό απόθεμα, πολιτικές ή κανονισμούς.
Χτίστε test cases για κάθε κατηγορία απόφασης, με γνωστό ground truth, edge cases και χωριστά thresholds αντί για έναν καθησυχαστικό συνολικό μέσο όρο.
Παρουσιάστε στον ελεγκτή πηγές, συλλογισμό, αβεβαιότητα, προτεινόμενη ενέργεια και δυνατότητα διόρθωσης ή απόρριψης πριν από κάθε κρίσιμη πράξη.
Καταγράψτε tool calls και outcomes, ορίστε kill switch, επανελέγξτε τις αστοχίες και ανανεώστε prompts, policies, evals και δικαιώματα πριν επεκτείνετε την αυτονομία.
Το rollout πρέπει να ξεκινά με παρατηρητική ή προτεινόμενη λειτουργία και να αποκτά δικαίωμα εκτέλεσης μόνο μετά από τεκμηριωμένη επίδοση. Έτσι η ομάδα μετρά την αξία του agent σε πραγματικό workflow χωρίς να μεταφέρει αμέσως όλο το ρίσκο στον χρήστη ή στον οργανισμό.
Η μελέτη δεν τεκμηριώνει οικονομικό όφελος, μείωση κόστους ή καλύτερες κλινικές εκβάσεις. Τεκμηριώνει όμως μια συγκεκριμένη προσέγγιση στην ορχήστρωση σύνθετης υπηρεσίας: μία συνομιλιακή είσοδος, πολλαπλά ελεγχόμενα εργαλεία, κοινό προσχέδιο, επαναληπτική διόρθωση και τελική ανθρώπινη απόφαση.
Για customer experience, CRM, υποστήριξη και online πωλήσεις, το πιο μεταφέρσιμο μάθημα είναι ότι η εξατομίκευση απαιτεί λειτουργικό context. Ο agent πρέπει να γνωρίζει ποιες πληροφορίες χρειάζεται, πού θα τις βρει, ποια ενέργεια επιτρέπεται και πότε πρέπει να σταματήσει. Χωρίς αυτά τα όρια, η φυσική συνομιλία απλώς καλύπτει μια εύθραυστη διαδικασία.
Το PATHFinder δείχνει και το μέτρο ωριμότητας: όσο πιο ευαίσθητο είναι το πεδίο, τόσο λιγότερο αρκεί ένα εντυπωσιακό demo. Παραγωγική αξία υπάρχει όταν η ομάδα μπορεί να αποδείξει ασφάλεια, ακρίβεια ανά εργασία, διακυβέρνηση δεδομένων, ανθρώπινη λογοδοσία και μετρήσιμη βελτίωση της υπηρεσίας.
Αυτοματισμοί επιχειρήσεων με AI από την TWO DOTS
Σχεδιάστε agent workflows με πραγματικά δεδομένα και σαφή όρια.
Η TWO DOTS χαρτογραφεί τη διαδικασία, τις διασυνδέσεις, τα δικαιώματα, τα human gates και τα KPIs ώστε ο αυτοματισμός να λύνει συγκεκριμένο επιχειρησιακό πρόβλημα με ελεγχόμενο ρίσκο.
Συχνές ερωτήσεις
Είναι ερευνητικό συνομιλιακό σύστημα του University of Michigan που συλλέγει ιατρικό και κοινωνικό πλαίσιο, δημιουργεί προσχέδιο εξατομικευμένης προγεννητικής φροντίδας και το παραδίδει σε ασθενή και κλινικό για έλεγχο.
Όχι. Η αρχιτεκτονική απαιτεί κλινικό έλεγχο και η μελέτη εντόπισε ουσιαστικές αδυναμίες, ιδιαίτερα στο timing προγεννητικών ελέγχων. Δεν είναι κλινικά επικυρωμένη υπηρεσία ή ιατρική συμβουλή.
Όχι στη δημοσιευμένη αξιολόγηση. Οι ερευνητές χρησιμοποίησαν συνθετικά προφίλ και αναφέρουν τις μελέτες ανθρώπινων συμμετεχόντων και τις τυχαιοποιημένες ελεγχόμενες δοκιμές ως μελλοντική εργασία.
Το GPT-5.2 πέτυχε μέσο rubric score 77,60% στα συγκεκριμένα expert-curated rubrics. Η τιμή δεν αποτελεί ποσοστό κλινικής ακρίβειας ούτε απόδειξη ασφάλειας σε πραγματικές συνθήκες.
Τυποποιημένη εισαγωγή στοιχείων, δυναμική συνομιλία, σύνθεση και έλεγχος του πλάνου από την ασθενή και τελικός κλινικός έλεγχος ή τροποποίηση.
Χρησιμοποιεί περιορισμένα εργαλεία αναζήτησης στο Michigan 211 με κατηγορίες, υποκατηγορίες και ταχυδρομικό κώδικα για ανάγκες όπως τρόφιμα, στέγαση, μεταφορές, υπηρεσίες κοινής ωφέλειας και ένδυση.
Ένας αξιόπιστος agent χρειάζεται ονομασμένα εργαλεία, πραγματικά δεδομένα, αξιολόγηση ανά κρίσιμη εργασία, ελάχιστα δικαιώματα και συγκεκριμένο σημείο ανθρώπινης ευθύνης πριν από πράξεις υψηλού ρίσκου.
Όχι με βάση αυτή τη μελέτη. Πρόκειται για ερευνητικό πρωτότυπο και όχι για κλινικά επικυρωμένο σύστημα ή υποκατάστατο επαγγελματία υγείας.
Πηγές
