این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مجله دیابت و متابولیسم ایران، جلد ۲۵، شماره ۵، صفحات ۳۸۱-۳۹۴
عنوان فارسی مقایسۀ عملکرد هوش مصنوعی با روش‌های مرسوم مبتنی بر گایدلاین در تشخیص پیش دیابت: یک مطالعۀ مروری نظام مند
چکیده فارسی مقاله 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.
 
کلیدواژه‌های فارسی مقاله هوش مصنوعی، دیابت، یادگیری ماشین، گایدلاین‌های بالینی
عنوان انگلیسی Comparison of Synthetic Performance with Conventional Methods on Guideline in Predictive Diagnosis: A Systematic Review
چکیده انگلیسی مقاله Background: Diabetes is a serious global health problem, and effective methods for its prediction and management are essential. Conventional diagnostic approaches typically rely on tests such as oral glucose tolerance test (OGTT), fasting plasma glucose (FPG) and glycated hemoglobin (HbA1c). Machine learning has the potential to enhance diagnostic accuracy; however, its performance and alignment with clinical guidelines require thorough evaluation.
Methods: This narrative review examines the effectiveness of machine learning in the early diagnosis of diabetes. Articles were selected based on predefined criteria and analyzed in terms of algorithm classification, output measures, involvement of clinical experts, and interpretability. Evaluation metrics such as accuracy, area under the curve (AUC), specificity and sensitivity were used to assess algorithmic performance. Relevant studies comparing prediabetes diagnosis using artificial intelligence and conventional methods were reviewed, and clinical guidelines from both domains were extracted and compared.
Results: Analysis of 41 articles showed that ANN, LR, and DNN were the most frequently used algorithms. Only 2% of the studies incorporated clinical rules and physician involvement, and 12% demonstrated model interpretability. While conventional methods rely on HbA1c and FPG tests, no clinical guidelines currently exist for AI-based diagnosis. Machine learning algorithms outperformed traditional methods, showing 29% higher sensitivity and 23% higher specificity.
Conclusion: Although artificial intelligence demonstrates superior performance in prediabetes diagnosis, limitations such as lack of interpretability and the absence of standardized clinical guidelines hinder its current clinical application. Addressing these challenges could enable AI to become a more efficient and reliable diagnostic tool.
 
کلیدواژه‌های انگلیسی مقاله Artificial Intelligence, Diabetes, Machine Learning, Clinical Guidelines
نویسندگان مقاله کیمیا زروج حسینی | Kimia Zarooj hosseini
Student Research Committee, Department of Health Information Technology and Management, School of Allied Medical Sciences, Shahid Beheshti University of Medical Sciences, Tehran, Iran
کمیتۀ تحقیقات دانشجویی، گروه فناوری اطلاعات و مدیریت سلامت، دانشکدۀ پیراپزشکی، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران

ریحانه طاهری | Reihane Taheri
Department of Health Information Technology, School of Allied Medical Sciences, Shahroud University of Medical Sciences, Shahroud, Iran
گروه فناوری اطلاعات سلامت، دانشکدۀ پیراپزشکی، دانشگاه علوم پزشکی شاهرود، شاهرود، ایران

امین گلابپور | Amin Golabpour
Department of Health Information Technology, School of Allied Medical Sciences, Shahroud University of Medical Sciences, Shahroud, Iran
گروه فناوری اطلاعات سلامت، دانشکدۀ پیراپزشکی، دانشگاه علوم پزشکی شاهرود، شاهرود، ایران

نشانی اینترنتی http://ijdld.tums.ac.ir/browse.php?a_code=A-10-2201-2&slc_lang=fa&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده تخصصی
نوع مقاله منتشر شده مروری
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات