بررسی کاربرد یادگیری ماشین بر پیش بینی پیامدهای جراحی

پیش بینی دقیق پیامدهای جراحی به عنوان یکی از ارکان اصلی ایمنی بیمار و تصمیم گیری بالینی، همواره با محدودیت های مدل های آماری سنتی در شناسایی الگوهای پیچیده و غیرخطی روبه رو بوده است. در سال های اخیر، یادگیری ماشین با توانایی کشف روابط پنهان از میان انبوه متغیرهای بالینی، افق های تازه ای را در این عرصه گشوده است. مطالعه حاضر یک مرور روایتی با هدف بررسی نقش یادگیری ماشین در پیش بینی پیامدهای جراحی انجام شد. جستجوی مقالات در بازه زمانی ۲۰۲۲ تا ۲۰۲۶ در پایگاه های داده PubMed، Web of Science، ScienceDirect و Google Scholar با ترکیب کلیدواژه های اصلی و عملگرهای AND/OR صورت گرفت. پس از غربالگری نتایج جستجو، مقالات پژوهشی کاربردی و تجربی که مستقیما به موضوع پرداخته و به زبان فارسی یا انگلیسی در مجلات معتبر منتشر شده بودند، وارد تحلیل شدند. در نهایت ۱۵ مقاله واجد شرایط شناسایی گردید. یافته ها نشان داد که الگوریتم های گروهی نظیر Random Forest، XGBoost و LightGBM قادر به دستیابی به دقت های بالا در پیش بینی عوارض جراحی و موفقیت جراحی در حوزه های متنوعی از جمله ستون فقرات، سینوس، گلوکوم و تعویض مفصل زانو هستند و اغلب عملکرد برتری نسبت به رگرسیون لجستیک سنتی ارائه می دهند. بااین حال، تعدادی از مطالعات از چالش هایی همچون ضعف های روش شناختی شامل طراحی گذشته نگر، تک مرکزی بودن و نبود اعتبارسنجی خارجی را بیان کرده بودند. در مجموع، یادگیری ماشین پتانسیل بالایی برای پشتیبانی از تصمیم گیری بالینی و بهبود مراقبت از بیماران جراحی دارد، اما تحقق کاربرد ایمن و گسترده آن مستلزم انجام پژوهش های آینده نگر، چندمرکزی، تلفیق هوشمندانه داده های چندبعدی و رعایت دقیق اصول اعتبارسنجی و کالیبراسیون مدل ها است.