1- دانشکده علوم پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران ، rrahimkhani@sina.tums.ac.ir 2- دانشکده علوم پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران 3- دانشکده مهندسی عمران و محیط زیست، دانشگاه صنعتی امیرکبیر، تهران، ایران
چکیده: (408 مشاهده)
زمینه و هدف:مقاومت ضدمیکروبی (Antimicrobial Resistance; AMR) بهعنوان یکی از چالشهای اصلی سلامت عمومی، نیازمند رویکردهای نوین برای بهبود تشخیص، پیشبینی و تصمیمگیری بالینی است. در سالهای اخیر، یادگیری ماشینی (Machine Learning; ML) بهعنوان زیرمجموعهای از هوش مصنوعی (Artificial Intelligence; AI) بهطور گسترده برای پیشبینی مقاومت آنتیبیوتیکی، تسریع تشخیص AMR و حمایت از نسخهنویسی آنتیبیوتیک بررسی شده است. هدف این مطالعه، مرور و تحلیل انتقادی شواهد موجود درباره کاربردهای ML در زمینه AMR، با تمرکز بر عملکرد الگوریتمها، قابلیت کاربرد بالینی و محدودیتهای عملی آنهاست. مواد و روشها:این مقاله بهصورت مرور روایی با جستوجوی ساختاریافته در پایگاههای داده علمی انجام شده و مطالعاتی که برای پیشبینی مقاومت، تشخیص سریع یا پشتیبانی از تصمیمگیری بالینی، از الگوریتمهای ML استفاده کردهاند، بررسی شدهاند. یافتهها:نتایج نشان میدهد که اگرچه برخی مدلهای ML در شرایط خاص و وابسته به زمینه، عملکرد قابلقبولی ارائه دادهاند، شواهد موجود برتری پایدار و عمومی آنها را در مقایسه با روشهای آماری مرسوم تأیید نمیکند. علاوهبر این، محدودیتهایی مانند تعمیمپذیرنبودن، وابستگی به دادههای تکمرکزی، نیاز به بازآموزی دورهای، کیفیت و بایاس دادههای پرونده سلامت الکترونیکی و ناتوانی برخی مدلها در اولویتدهی به آنتیبیوتیکهای با طیف باریک، چالشهای اساسی در کاربرد عملی ML محسوب میشوند. نتیجهگیری:در مجموع، یافتههای این مرور نشان میدهد که یادگیری ماشینی درحالحاضر باید بهعنوان ابزار پشتیبان تصمیمگیری، مکمل قضاوت بالینی و برنامههای نظارت ضدمیکروبی در نظر گرفته شود و اثبات نقش قطعی آن در بهبود پیامدهای سخت بالینی نیازمند مطالعات دنیای واقعی و کارآزماییهای مداخلهای آینده است.