چاپ صفحه |  صفحه نخست سامانه |  نویسندگان |  اطلاعات تفضیلی |  دانلود مقاله | دانشگاه علوم پزشکی تبریز |
| نویسنده | نفر چندم مقاله |
|---|---|
| رضا نعمت الهی ملکی | اول |
| شبنم رسول پور | دوم |
| عنوان | متن |
|---|---|
| خلاصه مقاله | تأثیر هوش مصنوعی بر عفونتهای مرتبط با مراقبت سلامت: یک مطالعه مروری نظاممند چکیده: زمینه و هدف: عفونتهای مرتبط با مراقبت سلامت به عنوان یک چالش عمده جهانی شناخته میشوند که منجر به افزایش موربیدیتی 1 ، مورتالیتی 2 و هزینههای مراقبت سلامت میگردند. پیشرفتهای اخیر در حوزه هوش مصنوعی، ابزارهای متعددی را برای شناسایی زودهنگام ریسک عفونت، پایش خودکار و تضمین کیفیت فرآیندهای استریل سازی ارائه میدهند. این مطالعه، شواهد موجود در مورد کاربرد هوش مصنوعی در شناسایی، پیشبینی و کاهش عفونتهای مرتبط با مراقبت سلامت را تلفیق مینماید. روشها: این مطالعه بر اساس راهنمای PRISMA برای مرورهای نظاممند (بدون متا-آنالیز) نسخه ۲۰۲۰ انجام شد. در ابتدا، جستجوی اولیه نظاممندی در پایگاههای اطلاعاتی PubMed، Scopus، Web of Science و Embase برای مطالعات منتشر شده بین سالهای ۲۰۱۰ تا ۲۰۲۵ صورت پذیرفت. مطالعات واجد شرایط شامل مدلها، الگوریتمها یا سیستمهای مبتنی بر هوش مصنوعی بودند که برای شناسایی، پیشبینی، پایش یا تضمین استریل سازی عفونتهای مرتبط با مراقبت سلامت در محیطهای بهداشتی-درمانی به کار رفته بودند. دو ارزیاب (ر.ن و ح.ر) به طور مستقل عناوین، چکیده و متون کامل را غربالگری نمودند و کیفیت روششناختی با استفاده از چکلیستهای JBI Critical Appraisalمتناسب با هر طرح مطالعه، مورد سنجش قرار گرفت و در صورت وجود اختلاف نظر، ارزیاب سوم (ش.ر) ورود میکرد. دادهها در رابطه با روشهای هوش مصنوعی، کاربردهای بالینی، معیارهای عملکرد و تأثیرات گزارششده بر پیامدهای کنترل عفونت استخراج شد. یافتهها: از میان ۲۱۷۴ رکورد بازیابیشده، ۴۱ مطالعه معیارهای ورود را احراز کردند. یادگیری ماشین 3 و یادگیری عمیق 4 بر روششناسیها غالب بودند (۷۶٪) و پس از آن بینایی کامپیوتری 5 (۱۵٪) و سیستمهای خبره (۹٪) قرار داشتند. کاربردهای هوش مصنوعی در سه حوزه اصلی دستهبندی شدند: (۱) پیشبینی و شناسایی زودهنگام عفونتهای مرتبط با مراقبت سلامت، شامل مدلهای مربوط به عفونتهای محل جراحی، عفونتهای جریان خون و پنومونی مرتبط با ونتیلاتور (۲۲ مطالعه)؛ (۲) پایش عفونت در زمان واقعی، همچون پایش خودکار پرونده الکترونیک سلامت و سیستمهای شناسایی ناهنجاری (۱۲ مطالعه)؛ و (۳) تضمین استریل سازی و کنترل آلودگی، شامل پایش مبتنی بر بینایی کامپیوتر از چرخههای استریل سازی، شناسایی آلودگی ابزارها و ممیزی انطباق جریان کاری (۷ مطالعه). در میان مطالعات، سیستمهای هوش مصنوعی، دقت بالا (AUC = 0.78-0.96)، کاهش زمان شناسایی به میزان ۷۰–۳۰ درصد و بهبود انطباق با فرآیندهای استریل سازی تا ۴۵ درصد را نشان دادند. نتیجهگیری: فناوریهای هوش مصنوعی، وعده قابل توجهی در تقویت رویههای پیشگیری از عفونت از طریق پیشبینی دقیقتر عفونتهای مرتبط با مراقبت سلامت، پایش خودکار و تضمین استریل سازی ارتقاءیافته نشان میدهند. اگرچه شواهد موجود از ادغام هوش مصنوعی در برنامههای کنترل عفونت حمایت میکنند، اکثر مطالعات هنوز تکمرکزی و در مرحله توسعه هستند. پژوهشهای آتی باید اعتبارسنجی چندمرکزی، ادغام با جریانهای کاری بالینی و ملاحظات اخلاقی پیرامون اتوماسیون در محیطهای استریل را در اولویت قرار دهند. |
| کلمات کلیدی | هوش مصنوعی، عفونتهای مرتبط با مراقبت سلامت، پایش عفونت، تضمین استریل سازی، یادگیری ماشین، یادگیری عمیق، مرور نظاممند. |
| نام فایل | تاریخ درج فایل | اندازه فایل | دانلود |
|---|---|---|---|
| 1.pdf | 1404/11/18 | 161308 | دانلود |
| 14.pdf | 1404/09/25 | 1643931 | دانلود |
