دوره 18، شماره 1 - ( بهار 1405 )
جلد 18 شماره 1 صفحات 102-91 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Kheirkhahzadeh M, Golabpour A. The Role of Artificial Intelligence in Predicting Acute Kidney Injury: A Systematic Review of Machine Learning and Deep Learning Approaches. North Khorasan University of Medical Sciences 2026; 18 (1) :91-102
URL: http://journal.nkums.ac.ir/article-1-3354-fa.html
URL: http://journal.nkums.ac.ir/article-1-3354-fa.html
خیرخواه زاده معصومه، گلاب پور امین. مرور نظاممند نقش هوش مصنوعی در پیشبینی آسیب حاد کلیوی: مقایسۀ عملکرد و قابلیت تبیینپذیری. مجله دانشگاه علوم پزشکی خراسان شمالی. 1405; 18 (1) :91-102
1- استادیار هوش مصنوعی، دانشکدۀ علوم ریاضی و کامپیوتر، دانشگاه شهید چمران اهواز، اهواز، ایران
2- استادیار انفورماتیک پزشکی، دانشکدۀ پیراپزشکی، دانشگاه علوم پزشکی شاهرود، شاهرود، ایران ،a.golapour@shmu.ac.ir
2- استادیار انفورماتیک پزشکی، دانشکدۀ پیراپزشکی، دانشگاه علوم پزشکی شاهرود، شاهرود، ایران ،
چکيده: (175 مشاهده)
مقدمه: آسیب حاد کلیوی (AKI) یکی از مشکلات رایج و بالقوه برگشتپذیر در محیط بیمارستانی است و پیامدهایی مانند افزایش مرگومیر، بستری طولانیمدت و هزینههای درمانی را به همراه دارد. در این میان، الگوریتمهای هوش مصنوعی بهعنوان رویکردی نویدبخش برای شناسایی زودهنگام بیماران در معرض خطر مطرح شدهاند. هدف این مطالعه، مرور نظاممند پژوهشهایی است که از مدلهای هوش مصنوعی در پیشبینی AKI استفاده کردهاند، با تمرکز بر عملکرد، تبیینپذیری و ارزیابی بالینی.
مواد و روشها: جستوجوی نظاممند در پایگاههای PubMed، Scopus، و Web of Science انجام شد. مقالاتی انتخاب شدند که از الگوریتمهای یادگیری ماشین یا یادگیری عمیق برای پیشبینی AKI استفاده کرده بودند. دادههای استخراجشده شامل نوع الگوریتم، حجم نمونه، تعداد ویژگیها، شاخصهای عملکرد، میزان تبیینپذیری و وجود ارزیابی بالینی بود. همچنین، مدلها در دو گروه جعبهسفید و جعبهسیاه طبقهبندی شدند.
یافته ها: از میان ۲۰۸ مقالۀ واردشده، اکثر مطالعات AUROC بالاتر از 90/0 را گزارش کردند. مقدار AUROC در مدلهای جعبهسفید تا 94/0 و در مدلهای جعبهسیاه تا 97/0 افزایش یافته بود. تحلیل رگرسیون نشان داد در مدلهای جعبهسفید، اندازۀ مجموعۀ داده اثر معناداری بر عملکرد داشت، درحالیکه این ارتباط در مدلهای جعبهسیاه دیده نشد. بسیاری از مطالعات دقتی بین ۷۵ تا ۹۵ درصد گزارش کرده بودند.
نتیجه گیری: باوجود تبیینپذیری بالاتر، مدلهای جعبهسفید کمتر استفاده شدهاند. ارتقای شفافیت، مشارکت متخصصان و انجام ارزیابی بالینی برای پذیرش و کاربرد گستردۀ مدلهای هوش مصنوعی ضروری است.
مواد و روشها: جستوجوی نظاممند در پایگاههای PubMed، Scopus، و Web of Science انجام شد. مقالاتی انتخاب شدند که از الگوریتمهای یادگیری ماشین یا یادگیری عمیق برای پیشبینی AKI استفاده کرده بودند. دادههای استخراجشده شامل نوع الگوریتم، حجم نمونه، تعداد ویژگیها، شاخصهای عملکرد، میزان تبیینپذیری و وجود ارزیابی بالینی بود. همچنین، مدلها در دو گروه جعبهسفید و جعبهسیاه طبقهبندی شدند.
یافته ها: از میان ۲۰۸ مقالۀ واردشده، اکثر مطالعات AUROC بالاتر از 90/0 را گزارش کردند. مقدار AUROC در مدلهای جعبهسفید تا 94/0 و در مدلهای جعبهسیاه تا 97/0 افزایش یافته بود. تحلیل رگرسیون نشان داد در مدلهای جعبهسفید، اندازۀ مجموعۀ داده اثر معناداری بر عملکرد داشت، درحالیکه این ارتباط در مدلهای جعبهسیاه دیده نشد. بسیاری از مطالعات دقتی بین ۷۵ تا ۹۵ درصد گزارش کرده بودند.
نتیجه گیری: باوجود تبیینپذیری بالاتر، مدلهای جعبهسفید کمتر استفاده شدهاند. ارتقای شفافیت، مشارکت متخصصان و انجام ارزیابی بالینی برای پذیرش و کاربرد گستردۀ مدلهای هوش مصنوعی ضروری است.
واژههای کلیدی: آسیب حاد کلیوی، الگوریتمهای جعبهسفید، الگوریتمهای جعبهسیاه، هوش مصنوعی، یادگیری ماشین
نوع مطالعه: مقالات مروری |
موضوع مقاله:
علوم پایه
دریافت: 1404/4/31 | پذیرش: 1404/9/15 | انتشار: 1405/1/9
دریافت: 1404/4/31 | پذیرش: 1404/9/15 | انتشار: 1405/1/9
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
