این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مجله دانشگاه علوم پزشکی خراسان شمالی، جلد ۱۷، شماره ۲، صفحات ۲-۰
عنوان فارسی بررسی الگوریتم‌های هوش مصنوعی در پیش‌بینی مدت بقای بیماران پیوند کلیه: مطالعه مروری نظام‌مند
چکیده فارسی مقاله
مقدمه: مدت بقای پیوند کلیه یکی از مهم‌ترین عوامل در تصمیم‌گیری برای انجام یا عدم انجام عمل پیوند کلیه است. هوش مصنوعی با توجه به توانمندی‌هایش می‌تواند یکی از روش‌های مناسب برای پیش‌بینی مدت بقای پیوند کلیه باشد. این مطالعه مروری با هدف بررسی عملکرد هوش مصنوعی در این حوزه طراحی شده است.
مواد و روش‌ها: در یک مطالعه مروری نظام‌مند با استفاده از ترکیب کلیدواژه‌های مسئله، تمام مقالات مرتبط با هوش مصنوعی در پیش‌بینی مدت بقای بیماران کلیوی از پایگاه‌های داده پابمد، اسکوپوس و WOS استخراج شدند. این مقالات ازنظر حجم نمونه، نوع الگوریتم و پارامترهای ارزیابی بررسی گردیدند. سپس، پارامترهای ارزیابی مقالات با یکدیگر مقایسه شدند و تعداد مقالاتی که از الگوریتم‌های جعبه سفید استفاده کرده‌اند، مشخص شدند و تعیین گردید که تا چه میزان هوش مصنوعی در مدت بقای پیوند کلیه مؤثر بوده است.
نتایج: در این مطالعه، 21 مقاله وارد بررسی شدند. حدود 45 درصد از این مقالات با استفاده از شبکه عصبی مصنوعی و الگوریتم‌های دسته‌بندی تجمّعی مسئله را حل و حدود 35 درصد از مقالات با استفاده از روش‌های رگرسیون، مدل پیش‌بینی را طراحی کرده‌اند. روش‌های رگرسیونی دقت کمتری نسبت به سایر روش‌ها داشته و الگوریتم‌های دسته‌بندی تجمّعی عملکرد بهتری نشان داده و به حسّاسیت و ویژگی بالای 90 درصد رسیده‌اند. همچنین، حدود 20 درصد از مقالات از روش‌های جعبه سفید استفاده کرده‌اند.
نتیجه‌گیری: این مطالعه نشان داد که کاربرد هوش مصنوعی در حوزه پیوند کلیه در حال رشد است و عملکرد بسیار مناسبی نسبت به روش‌های آماری دارد. بااین‌حال، نیاز به انجام مطالعات بیشتری با رویکرد استفاده از الگوریتم‌های جعبه سفید و بهینه‌سازی پارامترهای الگوریتم در این حوزه وجود دارد.
 
کلیدواژه‌های فارسی مقاله شیوع کووید 19، تجربیات والدین، دانش‌آموزان دبیرستانی،آموزش مجازی، مطالعه کیفی
عنوان انگلیسی Artificial Intelligence Algorithms for Predicting Survival Duration in Kidney Transplant Patients: A Systematic Review
چکیده انگلیسی مقاله
Introduction: Kidney transplant survival duration is one of the most crucial factors in deciding whether to proceed with a kidney transplant. Given its capabilities, artificial intelligence (AI) could be a suitable method for the prediction of kidney transplant survival duration. The present review aimed to evaluate the performance and effectiveness of AI in this field.
Method: In a systematic review study, all articles related to AI in the prediction of survival duration for kidney patients were extracted from PubMed, Scopus, and Web of Science (WOS) databases using a combination of relevant keywords. These articles were analyzed based on sample size, type of algorithm, and evaluation parameters. Then, the evaluation parameters of the articles were compared, and the number of articles using white-box algorithms was identified to determine AI's effectiveness in predicting kidney transplant survival.
Results: A total of 21 articles were included in this systematic review. Approximately 45% of these articles addressed the issue using artificial neural networks and ensemble classification algorithms, while around 35% designed prediction models using regression methods. Regression methods demonstrated lower accuracy than other methods, while ensemble classification algorithms performed better, achieving sensitivity and specificity above 90%. In addition, approximately 20% of the articles used white-box methods.
Conclusion: The present study indicated that the application of AI in kidney transplants is growing and has significantly better performance compared to statistical methods. However, further studies are needed, particularly with an emphasis on white-box algorithms and optimizing algorithm parameters in this field.
 
کلیدواژه‌های انگلیسی مقاله Artificial intelligence, Kidney transplant, Machine learning, Prediction, Survival duration
نویسندگان مقاله سید احمد موسوی نسب | Ahmad Mousavi Nasab
PhD Student in Computer Engineering, Department of Computer Engineering, Maybod Branch, Islamic Azad University, Maybod, Iran
دانشجوی دکتری تخصّصی مهندس کامپیوتر، گروه مهندسی کامپیوتر، واحد میبد، دانشگاه آزاد اسلامی، میبد، ایران

امین گلاب پور | Amin Golabpour
Assistant Professor of Medical Informatics, Department of Health Information Technology, School of Allied Medical Sciences, Shahroud University of Medical Sciences, Shahroud, Iran
استادیار انفورماتیک پزشکی، گروه مهندسی کامپیوتر، دانشکده پیراپزشکی، دانشگاه علوم‌پزشکی شاهرود، شاهرود، ایران

کمال میرزائی | Kamal Mirzaie
Assistant Professor of Computer Engineering, Department of Computer Engineering, Maybod Branch, Islamic Azad University, Maybod, Iran
استادیار مهندسی کامپیوتر، گروه مهندسی کامپیوتر، واحد میبد، دانشگاه آزاد اسلامی، میبد، ایران

احمد خسروی | Ahmad Khosravi
Associate Professor of Epidemiology, Department of Epidemiology School of Public Health, Shahroud University of Medical Sciences, Shahroud, Iran
استادیار انفورماتیک پزشکی، گروه مهندسی کامپیوتر، دانشکده پیراپزشکی، دانشگاه علوم‌پزشکی شاهرود، شاهرود، ایران

مهین قربان صباغ | Mahin Ghorban Sabbagh
Associate Professor of Nephrology, Department of Internal Medicine, School of Medicine, Mashhad University of Medical Sciences, Mashhad, Iran
استادیار مهندسی کامپیوتر، گروه مهندسی کامپیوتر، واحد میبد، دانشگاه آزاد اسلامی، میبد، ایران

نشانی اینترنتی http://journal.nkums.ac.ir/browse.php?a_code=A-10-25-929&slc_lang=other&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده other
موضوعات مقاله منتشر شده علوم پایه
نوع مقاله منتشر شده مقالات مروری
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات