North Khorasan University of Medical Sciences

other مرور نظام‌مند نقش هوش مصنوعی در پیش‌بینی آسیب حاد کلیوی: مقایسۀ عملکرد و قابلیت تبیین‌پذیری The Role of Artificial Intelligence in Predicting Acute Kidney Injury: A Systematic Review of Machine Learning and Deep Learning Approaches علوم پایه Basic Sciences مقالات مروری Review Article <div style="text-align: justify;">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 روش&rlm;ها: جست&rlm;وجوی 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 &rlm;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&rlm; گیری: باوجود تبیین‌پذیری بالاتر، مدل‌های جعبه‌سفید کمتر استفاده شده&rlm;اند. ارتقای شفافیت، مشارکت متخصصان و انجام ارزیابی بالینی برای پذیرش و کاربرد گستردۀ مدل‌های هوش مصنوعی ضروری است.  </div> <div style="text-align: justify;">Introduction: Acute kidney injury (AKI) is a common and potentially reversible condition in hospital settings and is associated with adverse outcomes, such as increased mortality, prolonged hospitalization, and higher healthcare costs. In this context, artificial intelligence (AI) algorithms have emerged as promising approaches for the early identification of patients at risk of AKI. This study aimed to systematically review research that has applied AI models for AKI prediction, with a focus on their performance, interpretability, and clinical evaluation. Methods: A systematic search was conducted in PubMed, Scopus, and Web of Science databases. Studies were included if they applied machine learning or deep learning algorithms to predict AKI. Extracted data included the type of algorithm, sample size, number of features, performance metrics, degree of interpretability, and presence of clinical evaluation. The models were categorized into white-box and black-box algorithms. Results: Among the 208 included studies, most reported an AUROC greater than 0.90. AUROC values reached up to 0.94 for white-box models and up to 0.97 for black-box models. Regression analysis indicated that dataset size had a significant impact on the performance of white-box models, whereas no such relationship was observed in black-box algorithms. Many studies also reported accuracy values ranging from 75% to 95%. Conclusions: Despite their higher interpretability, white-box models were used less frequently. Enhancing transparency, increasing clinical expert involvement, and conducting real-world clinical evaluations are essential for the broader adoption and practical implementation of AI-based models in AKI prediction.  </div> آسیب حاد کلیوی, الگوریتم‌های جعبه‌سفید, الگوریتم‌های جعبه‌سیاه, هوش مصنوعی, یادگیری ماشین Acute Kidney Injury, Artificial Intelligence, Black-box Algorithms, Machine Learning, White-box Algorithms 91 102 http://journal.nkums.ac.ir/browse.php?a_code=A-10-25-970&slc_lang=other&sid=1 Masoumeh Kheirkhahzadeh معصومه خیرخواه زاده 100319475328460031588 100319475328460031588 No Assistant Professor of Artificial Intelligence, Faculty of Mathematical Sciences and Computer, Shahid Chamran University of Ahvaz, Ahvaz, Iran استادیار هوش مصنوعی، دانشکدۀ علوم ریاضی و کامپیوتر، دانشگاه شهید چمران اهواز، اهواز، ایران Amin Golabpour امین گلاب پور a.golapour@shmu.ac.ir 100319475328460031589 100319475328460031589 Yes Assistant Professor of Medical Informatics, School of Allied Medical Sciences, Shahroud University of Medical Sciences, Shahroud, Iran استادیار انفورماتیک پزشکی، دانشکدۀ پیراپزشکی، دانشگاه علوم پزشکی شاهرود، شاهرود، ایران