هوش مصنوعی تبیین پذیر علی برای پشتیبانی از تصمیم گیری درمانی در بیماران پرریسک

تصمیم گیری درمانی در بیماران پرریسک یکی از پیچیده ترین و حساس ترین فرآیندها در پزشکی مدرن به شمار می رود؛ زیرا این تصمیم ها غالبا تحت شرایط عدم قطعیت بالا، داده های ناقص و محدودیت شدید زمان اتخاذ می شوند. با وجود پیشرفت چشمگیر مدل های یادگیری ماشین و یادگیری عمیق در پیش بینی پیامدهای بالینی، اتکای صرف به این مدل ها در محیط های حیاتی با چالش های جدی مواجه است. مهم ترین این چالش ها شامل نبود قابلیت تبیین، ناتوانی در استدلال علی و خطر استنتاج مبتنی بر همبستگی های کاذب است. در این مقاله، چارچوبی جامع مبتنی بر هوش مصنوعی تبیین پذیر علی، برای پشتیبانی از تصمیم گیری درمانی در بیماران پرریسک ارائه می شود. چارچوب پیشنهادی با تلفیق گراف های علی پزشکی، مدل های علی ساختاری، یادگیری داده محور و تحلیل های متقابل واقعی، امکان پاسخ گویی دقیق به پرسش های درمانی از نوع «چرا این درمان انتخاب شده است؟» و «در صورت تغییر درمان، چه پیامدی رخ خواهد داد؟» را فراهم می سازد. نوآوری اصلی این پژوهش عبور از تبیین پذیری پسینی و حرکت به سوی تبیین پذیری ذاتی مبتنی بر علیت است؛ به گونه ای که تصمیم درمانی نه صرفا به عنوان خروجی یک مدل پیش بینی، بلکه به عنوان نتیجه یک زنجیره علی قابل بررسی و ارزیابی ارائه می شود. تحلیل مفهومی و سناریوهای بالینی نشان می دهد که چارچوب پیشنهادی می تواند به ارتقای ایمنی درمان، افزایش اعتماد پزشکان، کاهش تصمیم های پرریسک غیرضروری و بهبود شخصی سازی درمان در بیماران با شرایط بحرانی منجر شود.

کلیدواژه ها:

هوش مصنوعی تبیین پذیر علی ، تصمیم گیری درمانی ، بیماران پرریسک ، سامانه های تصمیم یار بالینی.