از پیش بینی تا جراحی: مروری بر پتانسیل ها و محدودیت های هوش مصنوعی در جراحی قلب

بیماری های قلبی-عروقی از علل اصلی مرگ و میر جهانی هستند و جراحی قلب علیرغم مزایا، با عوارض و خطاهای قابل توجهی همراه است. مطالعه حاضر با هدف مروری بر کاربردهای یادگیری ماشین در جراحی قلب انجام شده است. این مطالعه به صورت مرور روایتی و با جستجوی مقالات منتشرشده بین سال های ۲۰۲۲ تا ۲۰۲۶ در پایگاه های PubMed، Web of Science، ScienceDirect و Google Scholar انجام گرفت و پس از غربالگری، ۱۳ مقاله واجد شرایط وارد تحلیل شدند. یافته ها نشان داد که الگوریتم های جنگل تصادفی و XGBoost عملکرد عالی در پیش بینی آسیب حاد کلیوی، دلیریوم، مرگ و میر و بقا پس از جراحی قلب دارند و از ابزارهای سنتی برتر هستند. همچنین هوش مصنوعی خطاهای جراحی را کاهش داده و افزایش لاکتات را زودهنگام پیش بینی می کند. با این حال، چالش های عمده شامل سوگیری بالا، ناهمگونی شدید، کمبود اعتبارسنجی خارجی، مسئله جعبه سیاه و نادیده گرفته شدن متغیر مهم کم خونی است. در بحث و نتیجه گیری، اگرچه یادگیری ماشین پتانسیل بالایی در بهبود پیش بینی پیامدهای جراحی قلب دارد، اما به دلیل محدودیت های روش شناختی موجود و فقدان اعتبارسنجی خارجی، کاربرد گسترده بالینی آن در حال حاضر با اطمینان کامل امکان پذیر نیست. انجام مطالعات چندمرکزی، افزایش تفسیرپذیری مدل ها و گنجاندن نظام مند متغیرهای کلیدی برای ورود این فناوری به بالین ضروری است.

کلیدواژه ها:

یادگیری ماشین ، هوش مصنوعی ، جراحی قلب