بهینه سازی تصمیم گیری بالینی در درمان سنگ های کلیوی از طریق یادگیری تقویتی چندعاملی مبتنی بر داده های زمانی جراحی های اندویورولوژیک

سنگ های کلیوی یکی از شایع ترین اختلالات اورولوژیک هستند که بار قابل توجهی بر سیستم سلامت جهانی تحمیل می کنند. پیشرفت در روش های اندویورولوژیک نظیر PCNL و RIRS موجب کاهش عوارض و افزایش دقت درمان شده است، اما تصمیم گیری بالینی در انتخاب روش، زمان و میزان مداخله همچنان چالشی اساسی است. این پژوهش به بررسی چارچوبی مبتنی بر یادگیری تقویتی چندعاملی (Multi-Agent Reinforcement Learning) می پردازد که هدف آن بهینه سازی مسیر درمانی بیماران مبتلا به سنگ کلیه با تحلیل داده های زمانی حاصل از جراحی های اندویورولوژیک است. مدل پیشنهادی، داده های بیوشیمیایی، تصویربرداری، فیزیولوژیکی و پارامترهای جراحی را در قالب یک محیط پویا بازنمایی کرده و از تعامل چند عامل یادگیرنده برای انتخاب تصمیمات بالینی بهینه بهره می برد. نتایج مفهومی نشان می دهد که این رویکرد می تواند زمان جراحی، احتمال عود سنگ و مصرف انرژی لیزر را به طور معناداری کاهش دهد.

کلیدواژه ها:

سنگ کلیه ، یادگیری تقویتی ، اندویورولوژی ، تصمیم گیری بالینی ، مدل سازی زمانی ، جراحی کم تهاجمی