« طراحی چارچوب پشتیبانی تصمیم مبتنی بر هوش مصنوعی توضیح پذیر (XGBoost- SHAP) جهت مدیریت خطاهای پیش تحلیلی در آزمایشگاه های بالینی »

زمینه و هدف: خطاهای پیش تحلیلی از عوامل اصلی کاهش کیفیت خدمات آزمایشگاهی و تهدید ایمنی بیمار هستند. الگوریتم های یادگیری ماشین توانایی مناسبی در پیش بینی این خطاها دارند، اما ماهیت غیرشفاف آن ها، کارایی شان را در تصمیم گیری های مدیریتی محدود کرده است. هدف این مطالعه، طراحی یک چارچوب پشتیبانی تصمیم مبتنی بر هوش مصنوعی توضیح پذیر جهت پیش بینی، تفسیر و مدیریت خطاهای پیش تحلیلی در آزمایشگاه های بالینی است.مواد و روش ها: در این پژوهش، یک مجموعه داده شبیه سازی شده مبتنی بر شرایط آزمایشگاه های بالینی شامل ۵۰۰۰ نمونه با متغیرهای فرآیندی (مانند زمان انتقال، شاخص همولیز و تجربه پرسنل) طراحی شد. یک مدل طبقه بندی مبتنی بر الگوریتم XGBoost برای پیش بینی خطاها توسعه یافت و عملکرد آن ارزیابی گردید. جهت تفسیرپذیری مدل و استخراج اولویت های مدیریتی، از روش SHAP (شاپ) و تحلیل تعاملات متغیرها استفاده شد.یافته ها: مدل توسعه یافته عملکرد مناسبی در پیش بینی خطاهای پیش تحلیلی روی داده های شبیه سازی شده نشان داد. تحلیل SHAP مشخص کرد که در این سناریوی شبیه سازی شده، شاخص همولیز، زمان انتقال نمونه، حجم کاری کارکنان، تاخیر در سانتریفیوژ و تجربه پرسنل به ترتیب بیشترین تاثیر را بر پیش بینی وقوع خطا دارند. همچنین تحلیل تعاملات نشان داد که اثر زمان انتقال نمونه، تحت تاثیر سطح تجربه کارکنان و حجم کاری تغییر می کند.نتیجه گیری: نتایج نشان داد که ترکیب الگوریتم های پیش بینی کننده و هوش مصنوعی توضیح پذیر می تواند به عنوان یک چارچوب پشتیبان تصمیم گیری اثربخش در مدیریت کیفیت آزمایشگاه مطرح شود. هرچند یافته های این پژوهش بر پایه داده های شبیه سازی شده است، چارچوب پیشنهادی قابلیت به کارگیری و اعتبارسنجی با داده های واقعی آزمایشگاهی جهت ارتقای ایمنی بیمار و بهینه سازی فرآیندها را دارا است.

کلیدواژه ها:

هوش مصنوعی توضیح پذیر ، مدیریت کیفیت آزمایشگاه ، خطاهای پیش تحلیلی ، SHAP ، XGBoost.