دوره 25، شماره 5 - ( 9-1404 )
جلد 25 شماره 5 صفحات 394-381 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Zarooj hosseini K, Taheri R, Golabpour A. Comparison of Synthetic Performance with Conventional Methods on Guideline in Predictive Diagnosis: A Systematic Review. ijdld 2025; 25 (5) :381-394
URL: http://ijdld.tums.ac.ir/article-1-6402-fa.html
URL: http://ijdld.tums.ac.ir/article-1-6402-fa.html
زروج حسینی کیمیا، طاهری ریحانه، گلابپور امین. مقایسۀ عملکرد هوش مصنوعی با روشهای مرسوم مبتنی بر گایدلاین در تشخیص پیش دیابت: یک مطالعۀ مروری نظام مند. مجله دیابت و متابولیسم ایران. 1404; 25 (5) :381-394
کیمیا زروج حسینی1 
، ریحانه طاهری2 ، امین گلابپور*3
، ریحانه طاهری2 ، امین گلابپور*3
1- کمیتۀ تحقیقات دانشجویی، گروه فناوری اطلاعات و مدیریت سلامت، دانشکدۀ پیراپزشکی، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران
2- گروه فناوری اطلاعات سلامت، دانشکدۀ پیراپزشکی، دانشگاه علوم پزشکی شاهرود، شاهرود، ایران
3- گروه فناوری اطلاعات سلامت، دانشکدۀ پیراپزشکی، دانشگاه علوم پزشکی شاهرود، شاهرود، ایران ،a.golabpour@shmu.ac.ir
2- گروه فناوری اطلاعات سلامت، دانشکدۀ پیراپزشکی، دانشگاه علوم پزشکی شاهرود، شاهرود، ایران
3- گروه فناوری اطلاعات سلامت، دانشکدۀ پیراپزشکی، دانشگاه علوم پزشکی شاهرود، شاهرود، ایران ،
چکیده: (584 مشاهده)
مقدمه: دیابت یک مشکل جدی جهانی است و روشهای پیشبینی و مدیریت آن اهمیت زیادی دارند. روشهای تشخیصی مرسوم شامل آزمایشهایی مانند OGTT، FPG و HbA1c است. یادگیری ماشین میتواند دقت تشخیصی را بهبود بخشد، اما نیاز به بررسی گایدلاینهای بالینی و عملکرد آن در مقایسه با روشهای مرسوم وجود دارد.
روشها: این مرور روایتی اثربخشی یادگیری ماشینی در تشخیص زودهنگام دیابت را بررسی میکند. مقالات براساس معیارهای مشخص انتخاب و از نظر طبقهبندی الگوریتمها، شاخصهای خروجی، مشارکت متخصصان بالینی و شفافیت تحلیل شدند. معیارهایی مانند دقت، AUC، ویژگی و حساسیت برای ارزیابی عملکرد الگوریتمها استفاده شدند. مقالات مرتبط برای مقایسه تشخیص پیش دیابت باهوش مصنوعی و روشهای مرسوم بررسی شدند و گایدلاینهای هر دو حوزه استخراج و مقایسه شدند.
یافتهها: تحلیل 41 مقاله نشان داد که الگوریتمهای ANN، LR و DNN بیشترین استفاده را داشتهاند. تنها 2 درصد مقالات از قوانین بالینی و حضور پزشکان استفاده کرده و 12 درصد از مقالات قابلیت تفسیر داشتهاند. در روشهای مرسوم از تستهای HbA1c و FPG استفاده میشود، امّا هیچ گایدلاین بالینی برای هوشمصنوعی منتشر نشده است. الگوریتمهای هوش مصنوعی در حساسیت و ویژگی بهترتیب 29 و 23 درصد بهتر عمل کردند.
نتیجهگیری: اگرچه هوش مصنوعی در تشخیص پیشدیابت عملکرد بهتری دارد، اما بهدلیل مشکلاتی مانند عدم ارزیابیپذیری و نبود گایدلاینهای بالینی، هنوز برای استفاده در بالین آماده نیست. با رفع این محدودیتها، هوش مصنوعی میتواند بهعنوان روشی کارآمدتر بهکار رود.
روشها: این مرور روایتی اثربخشی یادگیری ماشینی در تشخیص زودهنگام دیابت را بررسی میکند. مقالات براساس معیارهای مشخص انتخاب و از نظر طبقهبندی الگوریتمها، شاخصهای خروجی، مشارکت متخصصان بالینی و شفافیت تحلیل شدند. معیارهایی مانند دقت، AUC، ویژگی و حساسیت برای ارزیابی عملکرد الگوریتمها استفاده شدند. مقالات مرتبط برای مقایسه تشخیص پیش دیابت باهوش مصنوعی و روشهای مرسوم بررسی شدند و گایدلاینهای هر دو حوزه استخراج و مقایسه شدند.
یافتهها: تحلیل 41 مقاله نشان داد که الگوریتمهای ANN، LR و DNN بیشترین استفاده را داشتهاند. تنها 2 درصد مقالات از قوانین بالینی و حضور پزشکان استفاده کرده و 12 درصد از مقالات قابلیت تفسیر داشتهاند. در روشهای مرسوم از تستهای HbA1c و FPG استفاده میشود، امّا هیچ گایدلاین بالینی برای هوشمصنوعی منتشر نشده است. الگوریتمهای هوش مصنوعی در حساسیت و ویژگی بهترتیب 29 و 23 درصد بهتر عمل کردند.
نتیجهگیری: اگرچه هوش مصنوعی در تشخیص پیشدیابت عملکرد بهتری دارد، اما بهدلیل مشکلاتی مانند عدم ارزیابیپذیری و نبود گایدلاینهای بالینی، هنوز برای استفاده در بالین آماده نیست. با رفع این محدودیتها، هوش مصنوعی میتواند بهعنوان روشی کارآمدتر بهکار رود.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
