کاربرد هوش مصنوعی مولد و یادگیری ماشین (Machine Learning) در پزشکی شخصی سازی شده: پیش بینی پاسخ دارویی بیماران دیابتی با استفاده از پرونده الکترونیک سلامت (Electronic Health Records)

مدیریت بیماری دیابت به عنوان یکی از چالش های پیچیده نظام سلامت، نیازمند عبور از درمان های عمومی و حرکت به سمت رویکردهای شخصی سازی شده است. پروتکل های درمانی سنتی غالبا بر پایه آزمون و خطا استوار بوده و به دلیل تفاوت های فیزیولوژیک و ژنتیکی، پاسخ دارویی بیماران به شدت متغیر است. این پژوهش با هدف ارائه یک چارچوب مفهومی نوین جهت پیش بینی دقیق پاسخ دارویی بیماران دیابتی، به بررسی یکپارچه سازی هوش مصنوعی مولد و الگوریتم های یادگیری ماشین در بستر پرونده های الکترونیک سلامت (EHR) می پردازد. در معماری پیشنهادی، از مدل های زبانی بزرگ (LLMs) برای استخراج هدفمند دانش بالینی از یادداشت های ساختارنیافته پزشکان استفاده می شود و شبکه های مولد (مانند GANs) وظیفه متوازن سازی و رفع سوگیری داده های اقلیت را بر عهده دارند. در نهایت، موتور استنتاجی مبتنی بر یادگیری ماشین، اثربخشی رژیم های دارویی پیچیده را پیش بینی می کند. بررسی های این مطالعه نشان می دهد که هم افزایی این فناوری ها نه تنها خطاهای تجویز و تداخلات دارویی را به حداقل می رساند، بلکه با تولید داده های مصنوعی جهت حفظ حریم خصوصی، مسیر پیاده سازی ایمن پزشکی شخصی سازی شده را در سیستم های اطلاعات بیمارستانی هموار می سازد.

کلیدواژه ها:

هوش مصنوعی مولد ، یادگیری ماشین ، پزشکی شخصی سازی شده ، پرونده الکترونیک سلامت ، پیش بینی پاسخ دارویی ، دیابت