مرور نظام مند نقش هوش مصنوعی در پیش بینی آسیب حاد کلیوی: مقایسه عملکرد و قابلیت تبیین پذیری

مقدمه: آسیب حاد کلیوی (AKI) یکی از مشکلات رایج و بالقوه برگشت پذیر در محیط بیمارستانی است و پیامدهایی مانند افزایش مرگ ومیر، بستری طولانی مدت و هزینه های درمانی را به همراه دارد. در این میان، الگوریتم های هوش مصنوعی به عنوان رویکردی نویدبخش برای شناسایی زودهنگام بیماران در معرض خطر مطرح شده اند. هدف این مطالعه، مرور نظام مند پژوهش هایی است که از مدل های هوش مصنوعی در پیش بینی AKI استفاده کرده اند، با تمرکز بر عملکرد، تبیین پذیری و ارزیابی بالینی. مواد و روشها: جستوجوی نظام مند در پایگاه های PubMed، Scopus، و Web of Science انجام شد. مقالاتی انتخاب شدند که از الگوریتم های یادگیری ماشین یا یادگیری عمیق برای پیش بینی AKI استفاده کرده بودند. داده های استخراج شده شامل نوع الگوریتم، حجم نمونه، تعداد ویژگی ها، شاخص های عملکرد، میزان تبیین پذیری و وجود ارزیابی بالینی بود. همچنین، مدل ها در دو گروه جعبه سفید و جعبه سیاه طبقه بندی شدند. یافته ها: از میان ۲۰۸ مقاله واردشده، اکثر مطالعات AUROC بالاتر از ۹۰/۰ را گزارش کردند. مقدار AUROC در مدل های جعبه سفید تا ۹۴/۰ و در مدل های جعبه سیاه تا ۹۷/۰ افزایش یافته بود. تحلیل رگرسیون نشان داد در مدل های جعبه سفید، اندازه مجموعه داده اثر معناداری بر عملکرد داشت، درحالی که این ارتباط در مدل های جعبه سیاه دیده نشد. بسیاری از مطالعات دقتی بین ۷۵ تا ۹۵ درصد گزارش کرده بودند. نتیجه گیری: باوجود تبیین پذیری بالاتر، مدل های جعبه سفید کمتر استفاده شدهاند. ارتقای شفافیت، مشارکت متخصصان و انجام ارزیابی بالینی برای پذیرش و کاربرد گسترده مدل های هوش مصنوعی ضروری است.

کلیدواژه ها:

Acute Kidney Injury ، Artificial Intelligence ، Black-box Algorithms ، Machine Learning ، White-box Algorithms ، آسیب حاد کلیوی ، الگوریتم های جعبه سفید ، الگوریتم های جعبه سیاه ، هوش مصنوعی ، یادگیری ماشین