مقایسه عملکرد شبکه عصبی در پیش بینی دوز دارو: مروری نظامند
نویسندگان
1
2 دانشگاه آزاد اسلامی
3
4
doi
10.66224/ismj.28.6.911چکیده
زمینه: مدیریت دوز دارو یکی از مهم ترین چالش های حوزه پزشکی است که ارتباط مستقیمی با اثربخشی درمان و کاهش عوارض دارویی دارد. دوز نامناسب می تواند منجر به بروز مسمومیت، ناکارآمدی درمان، و حتی مرگ ومیر شود. در سال های اخیر، روش های مبتنی بر هوش مصنوعی به دلیل توانایی در تحلیل حجم عظیمی از داده های بالینی و فارماکوکینتیک بیماران، به عنوان ابزار نوینی برای پیش بینی و تنظیم دقیق دوز دارو مطرح شده اند. این فناوری ها امکان شخصی سازی درمان و کاهش خطاهای دارویی را فراهم می سازند. مواد و روش ها: این مطالعه به صورت مرور نظام مند در بازه زمانی 2000 تا 2025 انجام شد. مقالات از سه پایگاه داده استخراج شدند. پس از حذف مقالات تکراری و غیرمرتبط، مقالاتی که دارای روش شناسی معتبر، به زبان انگلیسی منتشر شده و نتایج کمی از عملکرد الگوریتم ها گزارش کرده بودند، وارد مطالعه شدند. سپس نوع الگوریتم، معیارهای ارزیابی (مانند Accuracy ، MAE ، RMSE ، R² ، AUC ) و وجود یا عدم وجود ارزیابی خارجی استخراج و تحلیل گردید . یافته ها: از میان 460 مطالعه شناسایی شده، پس از غربالگری نهایی 18 مطالعه وارد تحلیل شدند. نتایج نشان داد که شبکه های عصبی مصنوعی و مدل های پیشرفته تر آن، به ویژه در پیش بینی دوز داروهای با پنجره درمانی محدود مانند وارفارین، عملکرد مناسبی داشته اند. شاخص های ارزیابی شامل MAE ، RMSE ، R² ، Accuracy و AUC در اغلب مطالعات دقت متوسط تا بالا را نشان دادند. با وجود نتایج امیدوارکننده، استفاده محدود از اعتبارسنجی خارجی و نبود ارزیابی بالینی آینده نگر از مهم ترین کاستی های مطالعات بود. نتیجه گیری: یافته های این مرور نظام مند نشان می دهد که شبکه های عصبی ظرفیت بالایی در پیش بینی دقیق دوز دارو و بهبود ایمنی درمان دارند، به ویژه در داروهای پرخطر با پنجره درمانی محدود. با این حال، فقدان اعتبارسنجی خارجی و ارزیابی های بالینی آینده نگر، کاربرد گسترده این مدل ها در محیط بالینی را محدود می سازد. انجام مطالعات بالینی استاندارد و توسعه مدل های قابل تفسیر می تواند مسیر استفاده عملی از این روش ها را هموار کند.