بررسی الگوریتم‌های هوش مصنوعی در پیش‌بینی مدت بقای بیماران پیوند کلیه: مطالعه مروری نظام‌مند

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 موثر 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. 

artificial intelligence algorithms for predicting survival duration in kidney transplant patients: a systematic review

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.