نقش هوش مصنوعی در پیش بینی پاسخ به درمان در بیماری های التهابی مزمن: مرور سیستماتیک

مقدمه: پاسخ به درمان در بیماری های التهابی مزمن به دلیل ناهمگونی ویژگی های بیماران و پیچیدگی مکانیسم بیماری، متغیر است؛ این مسئله تصمیم گیری بالینی را دشوار می سازد. هوش مصنوعی و مدل های یادگیری ماشین با تحلیل داده های بالینی و زیستی، به انتخاب درمان های هدفمند کمک می کند. هدف از این مطالعه بررسی نقش هوش مصنوعی در پیش بینی پاسخ به درمان در بیماری های التهابی مزمن است.مواد و روش ها: براساس راهنمای PRISMA، جستجوی نظام مند در پایگاه های Scopus، Science Direct، PubMed، Google Scholar، Cochrane Central Register Trials از سال ۲۰۲۲ تا ۲۰۲۵ انجام شد. کلیدواژه های مورد استفاده شامل Artificial Intelligence، Predicting، Treatment Response،Chronic Inflammatory Diseases به زبان انگلیسی و هوش مصنوعی، پیش بینی، پاسخ به درمان و بیماری های التهابی مزمن به زبان فارسی بودند؛ درنهایت از میان ۱۲۰ مطالعه، ۱۸ مطالعه انتخاب شدند.یافته ها: در بیماران مبتلا به میوزیت، الگوریتم Elastic Net پاسخ به درمان با IVIg و SCIg را با دقت بالایی پیش بینی کرد. در آرتریت روماتوئید، مدل های مختلف یادگیری ماشین، متغیرهای بالینی و آزمایشگاهی موثر بر پاسخ به درمان را شناسایی کردند. در بیماری های پریودنتال، الگوریتم Random Forest با استفاده از داده های میکروبی، بالینی و جمعیت شناختی، توانست پاسخ یک ساله بیماران را با AUROC بالاتر از ۰٫۹ پیش بینی کند. در کولیت زخمی کودکان نیز، تحلیل داده های چندبعدی شامل اطلاعات بالینی، هیستوپاتولوژیک و مولکولی، توان بالایی در پیش بینی پاسخ به درمان و طراحی مداخلات فردمحور داشت. در سرطان ریه، که در برخی موارد با زمینه ی التهاب مزمن ریوی همراه است، مدل های ترکیبی مبتنی بر رادیومیکس، ژنومیکس و داده های بالینی، امکان پیش بینی دقیق تری از اثربخشی ایمونوتراپی و درمان های هدفمند فراهم کرده اند.نتیجه گیری: هوش مصنوعی ابزار نویدبخشی برای پیش بینی پاسخ به درمان در بیماری های التهابی مزمن است و می تواند رویکرد درمانی فردمحور را تقویت کند. با این حال، اعتبارسنجی و مسائل اخلاقی باید مورد توجه قرار گیرد.

کلیدواژه ها:

هوش مصنوعی ، پیش بینی ، پاسخ به درمان ، بیماری های التهابی مزمن