Η ραγδαία αύξηση των ιατρικών δεδομένων και η ανάγκη για άμεση, τεκμηριωμένη λήψη αποφάσεων καθιστούν απαραίτητη την ανάπτυξη νέων ευφυών πληροφοριακών συστημάτων στον χώρο της υγείας. Η παρούσα πτυχιακή εργασία ασχολείται με τον σχεδιασμό και την υλοποίηση ενός «έξυπνου» Ιατρικού Πληροφοριακού Συστήματος, το οποίο αξιοποιεί την τεχνητή νοημοσύνη και ειδικότερα τα Large Language Models για την υποστήριξη επαγγελματιών υγείας.
Το σύστημα επιτρέπει την υποβολή ιατρικών ερωτημάτων σε φυσική γλώσσα και την παραγωγή τεκμηριωμένων απαντήσεων βασισμένων σε σύγχρονη επιστημονική γνώση. Η υλοποίηση πραγματοποιείται με την πλατφόρμα Spring Boot, η οποία παρέχει ασφαλή και επεκτάσιμη αρχιτεκτονική microservices. Παράλληλα, χρησιμοποιείται βάση δεδομένων MySQL για την αποθήκευση περιστατικών, συνομιλιών και μεταδεδομένων.
Η εργασία περιλαμβάνει την ανάλυση απαιτήσεων, τον αρχιτεκτονικό σχεδιασμό, την ανάπτυξη RESTful υπηρεσιών, την ενσωμάτωση του Gemini και την υλοποίηση βασικών μηχανισμών ασφάλειας. Τέλος, παρουσιάζεται διαδικασία αξιολόγησης του συστήματος, με έμφαση στη χρηστικότητα, την ακρίβεια των απαντήσεων και την αποτελεσματικότητα υποστήριξης του ιατρικού έργου.
Το τελικό αποτέλεσμα αποτελεί ένα λειτουργικό πρωτότυπο ενός καινοτόμου συστήματος υποβοήθησης απόφασης, το οποίο μπορεί να αποτελέσει θεμέλιο για μελλοντικές επεκτάσεις και κλινικές εφαρμογές.

The rapid growth of medical data and the increasing need for timely, evidence-based decision-making highlight the importance of intelligent information systems in healthcare. This thesis presents the design and implementation of an “intelligent” Medical Information System that uses Artificial Intelligence, specifically Large Language Models, to support healthcare professionals in their clinical workflow.
The system enables users to submit medical questions in natural language and receive scientifically grounded responses. The implementation is based on the Spring Boot framework, which provides a secure and extensible microservices architecture. A MySQL database is used to store patient cases, conversation logs, and related metadata.
The work includes requirements analysis, architectural and technological design, development of RESTful services, integration of the Gemini API, and implementation of key security mechanisms. Furthermore, the system is evaluated with respect to usability, response accuracy, and its overall effectiveness in supporting medical decision-making.
The final outcome is a functional prototype of an innovative AI-assisted decision-support system, which can serve as a foundation for future enhancements and real-world clinical applications.