سامانه مدیریت نشریات علمی دانشگاه علوم پزشکی مشهد

قوامی پور سرشکه, محدثه, محمودی, امیررضا, ثریای ظفر, هاله. (1404). ظرفیت فناوری‌های مبتنی بر هوش مصنوعی در تشخیص بیماری‌ها، درمان و مراقبت‌های پزشکی. , 16(ویژه نامه1), 6-21. doi: 10.22038/hmed.2024.25092
محدثه قوامی پور سرشکه; امیررضا محمودی; هاله ثریای ظفر. "ظرفیت فناوری‌های مبتنی بر هوش مصنوعی در تشخیص بیماری‌ها، درمان و مراقبت‌های پزشکی". , 16, ویژه نامه1, 1404, 6-21. doi: 10.22038/hmed.2024.25092
قوامی پور سرشکه, محدثه, محمودی, امیررضا, ثریای ظفر, هاله. (1404). 'ظرفیت فناوری‌های مبتنی بر هوش مصنوعی در تشخیص بیماری‌ها، درمان و مراقبت‌های پزشکی', , 16(ویژه نامه1), pp. 6-21. doi: 10.22038/hmed.2024.25092
قوامی پور سرشکه, محدثه, محمودی, امیررضا, ثریای ظفر, هاله. ظرفیت فناوری‌های مبتنی بر هوش مصنوعی در تشخیص بیماری‌ها، درمان و مراقبت‌های پزشکی. , 1404; 16(ویژه نامه1): 6-21. doi: 10.22038/hmed.2024.25092

ظرفیت فناوری‌های مبتنی بر هوش مصنوعی در تشخیص بیماری‌ها، درمان و مراقبت‌های پزشکی

افق توسعه آموزش علوم پزشکی
مقاله 2، دوره 16، ویژه نامه1، مرداد 1404، صفحه 6-21    اصل مقاله (1.6 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22038/hmed.2024.25092
نویسندگان
محدثه قوامی پور سرشکه* 1؛ امیررضا محمودی1؛ هاله ثریای ظفر2
1گروه حقوق، دانشکده علوم انسانی، دانشگاه آزاد اسلامی، لاهیجان، ایران.
2گروه صنایع غذایی، دانشکد کشاورزی، دانشگاه ازاد اسلامی، تبریز، ایران.
چکیده
مقدمه:  در سال‌های اخیر، افزایش دسترسی به داده‌های حجیم در حوزه سلامت، بستر مناسبی را برای توسعه و به‌کارگیری فناوری‌های مبتنی بر هوش مصنوعی فراهم نموده است. این فناوری با قابلیت تحلیل داده‌های پیچیده و استخراج الگوهای پنهان بالینی، توانمندی بالایی در ارتقاء دقت تصمیم‌گیری‌های پزشکی و بهبود کیفیت مراقبت‌های بهداشتی دارد.
روش کار:  مطالعه حاضر به روش توصیفیانجام شده و بر مبنای بررسی نظام‌مند منابع علمی معتبر منتشر شده کاربردهای هوش مصنوعی در زمینه‌های مختلف پزشکی از جمله تشخیص، درمان، مدیریت سیستم‌های سلامت و آموزش پزشکی مورد تحلیل قرار گرفته است. همچنین چالش‌های پیاده‌سازی این فناوری و چشم‌اندازهای آتی آن بررسی گردیده‌اند.
نتایج: نتایج نشان می‌دهند که فناوری‌های مبتنی بر هوش مصنوعی در حوزه‌هایی نظیر تشخیص دقیق و سریع بیماری‌ها، پیشگیری از بیماری، برنامه‌ریزی درمان، جراحی رباتیک، چاپ سه‌بعدی زیستی، واقعیت ترکیبی، مدیریت بیمارستان‌ها و کنترل بیماری‌های همه‌گیر مانند کووید-۱۹، به‌طور چشمگیری اثربخش بوده‌اند. این فناوری‌ها توانسته‌اند کارایی، دقت و سرعت فرآیندهای پزشکی را به‌طور معناداری ارتقاء دهند.
نتیجه گیری: با وجود مزایای گسترده هوش مصنوعی در حوزه سلامت، چالش‌هایی نظیر کیفیت داده‌ها، ملاحظات اخلاقی، الزامات حقوقی و مقاومت نهادی، مانع از پیاده‌سازی گسترده آن شده‌اند. با این حال، اتخاذ رویکردی مسئولانه، مبتنی بر همکاری چندرشته‌ای و چارچوب‌های اخلاقی مشخص، می‌تواند راهگشای بهره‌برداری مؤثر و پایدار از این فناوری در آینده نظام‌های سلامت باشد.
کلیدواژه‌ها
فناوری هوش مصنوعی؛ هوش مصنوعی در پزشکی؛ یادگیری ماشینی؛ یادگیری عمیق
سایر فایل های مرتبط با مقاله
مراجع
  1. Abelson S, Collord G, Ng SWK, Weissbrod O, Mendelson Cohen N, Niemeyer E, Gonen R. Prediction of acute myeloid leukaemia risk in healthy individuals. Nature. 2018; 559(7714):400-404.
  2. Bajorath J, Kearnes S, Walters WP, Meanwell NA, and Georg GI, Wang S. Artificial Intelligence in Drug Discovery: Into the Great Wide Open. J Med Chem. 2020; 63(16):8651-8652.
  3. Awad A, Fina F, Goyanes A, Gaisford S, Basit AW. 3D printing: Principles and pharmaceutical applications of selective laser sintering. Int J Pharm. 2020; 586:119594.
  4. Angehrn Z, Haldna L, Zandvliet AS, Gil Berglund E, Zeeuw J, Amzal B, et al. Artificial Intelligence and Machine Learning Applied at the Point of Care. Front Pharmacol. 2020; 11:759.
  5. Bertin H, Huon JF, Praud M, Fauvel F, Salagnac JM, Perrin JP, et al. Bilateral sagittal split osteotomy training on mandibular 3-dimensional printed models for maxillofacial surgical residents. Br J Oral Maxillofac Surg. 2020; 58(8):953-958.
  6. Bohl MA, McBryan S, Pais D, Chang SW, Turner JD, Nakaji P, et al. The Living Spine Model: A Biomimetic Surgical Training and Education Tool. Oper Neurosurg (Hagerstown). 2020; 19(1):98-106.
  7. Castiglioni I, Rundo L, Codari M, Di Leo G, Salvatore C, Interlenghi M, et al. AI applications to medical images: From machine learning to deep learning. Phys Med Biol. 2021; 83:9-24.
  8. Corona PS, Vicente M, Tetsworth K, Glatt V. Preliminary results using patient-specific 3d printed models to improve preoperative planning for correction of post-traumatic tibial deformities with circular frames. Injury. 2018; 49 Suppl 2:S51-S59.
  9. Creighton FX, Unberath M, Song T, Zhao Z, Armand M, Carey J. Early Feasibility Studies of Augmented Reality Navigation for Lateral Skull Base Surgery. Otol Neurotol. 2020; 41(7):883-888.
  10. Crossnohere NL, Elsaid M, Paskett J, Bose-Brill S, Bridges JFP. Guidelines for Artificial Intelligence in Medicine: Literature Review and Content Analysis of Frameworks. J Med Internet Res. 2022; 24(8):e36823.
  11. Dekker I, De Jong EM, Schippers MC, De Bruijn-Smolders M, Alexiou A, Giesbers B. Optimizing Students' Mental Health and Academic Performance: AI-Enhanced Life Crafting. Front Psychol. 2020; 11:1063.
  12. Feng ZH, Li XB, Phan K, Hu ZC, Zhang K, Zhao J, et al. Design of a 3D printed magnetic resonance imaging-guided microwave coagulation system for liver tumor therapy. PLoS One. 2018; 13(8):e0201975.
  13. Froiio C, Berlth F, Capovilla G, Tagkalos E, Hadzijusufovic E, Mann C, et al. Robotic-assisted surgery for esophageal submucosal tumors: a singlecenter case series. Updates Surg. 2022; 74(3):1043-1054.
  14. Gerke S, Minssen T, Cohen G. Ethical and legal challenges of artificial intelligence-driven healthcare. In: Artificial Intelligence in Healthcare. Elsevier; 2020. p. 295-33.
  15. Gong J, Liu JY, Sun XW, Zheng B, Nie SD. Computer-aided diagnosis of lung cancer: the effect of training data sets on classification accuracy of lung nodules. Phys Med Biol. 2018; 63(3):35036.
  16. Gulati S, Emmanuel A, Patel M, Williams S, Haji A, Hayee B, et al. Artificial intelligence in luminal endoscopy. Ther Adv Gastroenterol. 2020; 13:2631774520935220.
  17. Hashimoto DA, Witkowski E. Artificial Intelligence in Anesthesiology: Current Techniques, Clinical Applications, and Limitations. Anesthesiology. 2020; 132(2):379-394.
  18. Hashimoto DA, Witkowski E, Gao L, Meireles O, Rosman G. Artificial Intelligence in Anesthesiology: Current Techniques, Clinical Applications, and Limitations. Anesthesiology. 2020; 132(2):379-394.
  19. Hwang Y, Lee HH, Park C, Tama BA, Kim JS, Cheung DY, et al. Improved classification and localization approach to small bowel capsule endoscopy using convolutional neural network. Dig Endosc. 2021; 33(4):598-607.
  20. Iqbal JD, Vinay R. Are we ready for Artificial Intelligence in Medicine? Swiss Med Wkly. 2022; 152:w30179.
  21. Keshavarzi Arshadi A, Webb J, Salem M, Cruz E, Calad-Thomson S, Ghadirian N, et al. Artificial Intelligence for COVID-19 Drug Discovery and Vaccine Development. Front Artif Intell. 2020; 3:65.
  22. Komura D, Ishikawa S. Machine learning approaches for pathologic diagnosis. Virchows Arch. 2019; 475(2):131-138.
  23. Kumar A, Gadag S, Nayak UY. The Beginning of a New Era: Artificial Intelligence in Healthcare. Adv Pharm Bull. 2021; 11(3):414-425.
  24. Liang G, Fan W, Luo H, Zhu X. The emerging roles of artificial intelligence in cancer drug development and precision therapy. Biomed Pharmacother. 2020; 128:110255.
  25. Liu PR, Lu L, Zhang JY, Huo TT, Liu SX, Ye ZW. Application of Artificial Intelligence in Radiation Oncology: Status, Challenges, and Prospects. Cancer Commun (Lond). 2021; 41(8):712-727.
  26. Liu Y, Li J, Zhang Y, Wang X, Liu S. Artificial intelligence-assisted diagnosis and treatment of COVID-19. Engineering. 2020; 6(11):1222-1229.
  27. Mills B, Heath DJ, Grant-Jacob JA, Eason RW.
    Predictive capabilities for laser machining via a neural network. Optics express. 2018; 26(13): 17245-53.
  28. Navarrete AJ, Hashimoto DA. Current applications of artificial intelligence for intraoperative decision support in surgery. Front Med. 2020; 14(4):369-381.
  29. Nguyen DT, Pham TD, Batchuluun G, Yoon HS, Park KR. Artificial Intelligence-Based Thyroid Nodule Classification Using Information from Spatial and Frequency Domains. J Clin Med. 2019; 8(11):1976.
  30. Sakagianni A, Feretzakis G, Kalles D, Koufopoulou C, Kaldis V. Setting up an Easy-to-Use Machine Learning Pipeline for Medical Decision Support: A Case Study for COVID-19 Diagnosis Based on Deep Learning with CT Scans. Stud Health Technol Inform. 2020; 272:13-16.
  31. Stoel BC. Artificial intelligence in detecting early RA. Semin Arthritis Rheum. 2019; 49(3S):S25-S28.
  32. Ting DSW, Pasquale LR, Peng L, Campbell JP, Lee AY, Raman R, et al. Artificial intelligence and deep learning in ophthalmology. Br J Ophthalmol. 2019; 103(2):167-175.
  33. Vaishya R, Javaid M, Khan IH, Haleem A. Artificial Intelligence (AI) applications for COVID-19 pandemic. Diabetes Metab Syndr. 2020; 14(4):337-339.
  34. Wang X, Wang Y, Hu Z, Zhang X, Zhang Y. Deep learning for identifying COVID-19 using CT images. Radiol Cardiothorac Imaging. 2020; 2(2):e200033.
  35. Yang L, Xing C. Artificial intelligence for drug discovery and development. Curr Opin Chem Biol. 2020; 57:34-40.
  36. Zhang Y. Artificial intelligence in clinical decision support: A systematic review. J Med Internet Res. 2020; 22(4):e16457.

 

آمار
تعداد مشاهده مقاله: 1,617
تعداد دریافت فایل اصل مقاله: 518