Scientific Journal of Kurdistan University of Medical Sciences

fa هوش مصنوعی و مقاومت آنتی بیوتیکی در باکتریها Artificial intelligence and antimicrobial resistance in Bacteria میکروبیولوژی Microbiology مروری Review 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. Background and Aim: Antimicrobial resistance (AMR) represents a major global health challenge, requiring novel approaches to improve diagnosis, prediction, and clinical decision-making. In recent years, machine learning (ML), as a subset of artificial intelligence (AI), has been increasingly explored for predicting antibiotic resistance, accelerating AMR diagnostics, and supporting antibiotic prescribing decisions. This study aims to provide a critical review of current evidence on the application of ML in AMR, with a particular focus on algorithmic performance, clinical applicability, and practical limitations. Materials and Methods: This narrative review was conducted utilizing a structured literature search of major scientific databases, including studies that applied ML-based approaches to resistance prediction, rapid AMR detection, or clinical decision support. Results: The reviewed evidence indicates that while certain ML models demonstrate acceptable performance in specific, context-dependent settings, robust and consistent superiority over conventional statistical methods has not been established. Moreover, key limitations, such as limited generalizability, reliance on single-center data, the need for periodic model retraining, data quality and bias in electronic health records, and the inability of some models to prioritize narrow-spectrum antibiotics, remain substantial barriers to real-world clinical implementation. Conclusion: Overall, current evidence suggests that ML should be viewed as a decision-support tool rather than a standalone solution in AMR management, and that its definitive impact on hard clinical outcomes will require further real-world evaluations and interventional studies. مقاومت ضدمیکروبی, یادگیری ماشینی, هوش مصنوعی Antimicrobial resistance, Artificial intelligence, Machine learning 0 0 http://sjku.muk.ac.ir/browse.php?a_code=A-10-6872-2&slc_lang=fa&sid=1 monireh rahimkhani منیره رحیم خانی rrahimkhani@sina.tums.ac.ir 5400319475328460074193 5400319475328460074193 Yes Department of Lab Medical Sciences, Faculty of Allied Medical Sciences, Tehran University of Medical Sciences, Tehran, Iran دانشکده علوم پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران maryam gilani مریم گیلانی marygilani@yahoo.com 5400319475328460074194 5400319475328460074194 No Faculty of Allied Medical Sciences, Tehran University of Medical Sciences, Tehran, Iran دانشکده علوم پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران Arya Daneshvar آریا دانشور daneshvar12@gmail.com 5400319475328460074195 5400319475328460074195 No Department of Civil and Environmental Engineering, Amirkabir University of Technology, Tehran, Iran دانشکده مهندسی عمران و محیط زیست، دانشگاه صنعتی امیرکبیر، تهران، ایران