چارچوب چندوظیفه ای هوش مصنوعی برای تصمیم گیری تشخیصی و درمانی: پیش بینی هم زمان اثربخشی، سمیت و ویژگی های ADMET داروها

هوش مصنوعی طی سال های اخیر از یک ابزار پژوهشی به جزء اثرگذار سامانه های تشخیصی، پیش آگهی و پشتیبان تصمیم بالینی تبدیل شده است. هدف این مقاله، تبیین ظرفیت ها و محدودیت های هوش مصنوعی در تشخیص و درمان بیماری ها و ارائه چارچوبی برای استقرار ایمن آن در محیط بالینی است. پژوهش حاضر به روش مرور روایی انجام شد و مطالعات شاخص منتشرشده در حوزه تصویربرداری پزشکی، چشم پزشکی، قلب، آندوسکوپی، درمان شخصی سازی شده و کشف دارو، همراه با راهنماهای بین المللی ارزیابی و گزارش دهی بررسی شده اند. شواهد نشان می دهد الگوریتم های یادگیری عمیق در برخی وظایف محدود و تعریف شده، مانند غربالگری رتینوپاتی دیابتی، تحلیل ماموگرافی، طبقه بندی آریتمی و تشخیص پولیپ، می توانند دقتی هم تراز با متخصصان یا مکمل عملکرد آنان ارائه کنند. همچنین، یادگیری تقویتی و مدل های پیش بینی برای پیشنهاد راهبرد درمان، انتخاب دوز، پایش پاسخ و شناسایی ترکیبات دارویی امیدبخش به کار رفته اند؛ با این حال، برتری فنی در مجموعه داده های گذشته لزوما به بهبود پیامد بیمار در دنیای واقعی منجر نمی شود. انتقال مدل از آزمایشگاه به بالین با چالش هایی نظیر سوگیری داده، افت عملکرد در جمعیت های جدید، نبود تبیین پذیری کافی، نقض حریم خصوصی، خطای اتوماسیون و تغییر توزیع داده روبه رو است. نتیجه گیری می شود که ارزش بالینی هوش مصنوعی زمانی محقق می شود که سامانه به عنوان همکار پزشک، نه جایگزین مطلق او، در یک چرخه نظارت انسانی، اعتبارسنجی خارجی، ارزیابی آینده نگر و پایش مستمر به کار گرفته شود.

کلیدواژه ها:

هوش مصنوعی ، تشخیص پزشکی ، درمان شخصی سازی شده ، یادگیری عمیق ، تصمیم یار بالینی