سامانه همایش های دانشگاه آزاد اسلامی واحد نجف آباد

صفحه اصلی / اولین همایش بین المللی تحول خدمات سلامت: تلفیق مراقبت، درمان، بازتوانی و امیدبخشی

مروری بر مدلهای هوش مصنوعی در پیشبینی تشدید بیماری COPD: چالشهای روششناختی و افقهای پیشرو

نویسندگان :

مهلا موسوی¹ تکتم دهقانی²

1- موسسه اموزش عالی توس 2- گروه انفورماتیک پزشکی، دانشکده پزشکی، علوم پزشکی مشهد

کلمات کلیدی :

بیماری انسداد مزمن ریوی،هوش مصنوعی،یادگیری ماشین،پیشبینی تشدید،اعتبارسنجی

چکیده :

مقدمه: بیماری انسداد مزمن ریوی (COPD) با بیش از 480 میلیون مبتلا در جهان، یکی از علل اصلی مرگومیر و بستریهای مکرر بیمارستانی است. تشدیدهای حاد این بیماری (AECOPD) نقش محوری در سیر بالینی و هزینههای درمانی دارند. در سالهای اخیر، مدلهای یادگیری ماشین و یادگیری عمیق بهعنوان ابزارهایی امیدوارکننده برای پیشبینی تشدیدها معرفی شدهاند. هدف این مطالعه، تحلیل روششناختی مدلهای هوش مصنوعی موجود و شناسایی چالشهای تعمیمپذیری آنهاست. روششناسی: این مطالعه مروری نظاممند بر اساس بیانیه PRISMA 2020 طراحی شد. جستجو در پایگاههای PubMed، Embase، Cochrane Library، Web of Science و IEEE Xplore تا ژانویه 2026 انجام شد. مطالعات کارآزمایی بالینی و کوهورت که به ارزیابی مدلهای هوش مصنوعی در پیشبینی تشدید COPD پرداخته بودند، وارد شدند. کیفیت مطالعات با PROBAST-AI ارزیابی شد. یافتهها: از 10 مطالعه واردشده با حجم نمونه 110 تا 113,786 بیمار، سطح زیر منحنی ROC تجمیعشده 0.77 (95٪ فاصله اطمینان: 0.74-0.80) با ناهمگونی بسیار بالا 99.5I²=بهدست آمد. مدلهای با اعتبارسنجی خارجی عملکرد بهتری نشان دادند0.82 AUC=در مقابل 0.76 70٪ مطالعات دارای ریسک سوگیری متوسط تا جدی بودند. مهمترین چالشها شامل ناهمگونی دادهها، بیشبرازش، فقدان اعتبارسنجی خارجی کافی، کالیبراسیون ضعیف و تفسیرپذیری محدود بود. نتیجهگیری: علیرغم پتانسیل قابلتوجه مدلهای هوش مصنوعی، شواهد فعلی با محدودیتهای روششناختی جدی همراه است. استانداردسازی گزارشدهی بر اساس چارچوبهای TRIPOD-AI و PROBAST-AI، اعتبارسنجی چندمرکزی و طراحی کارآزماییهای بالینی برای ارزیابی پیامدهای سخت، از الزامات ترجمه بالینی این مدلهاست. کلیدواژهها: بیماری انسداد مزمن ریوی، هوش مصنوعی، یادگیری ماشین، پیشبینی تشدید، اعتبارسنجی