کاربردهای هوش مصنوعی در بیهوشی جراحی‌های مغز و اعصاب: مرور نظام‌مند کاربردها، چالش‌ها و مسیر آینده

زمینه: بیهوشی در جراحی‌های مغز و اعصاب به‌دلیل حساسیت بالا در حفظ فشار و جریان خون مغزی، عملکرد نورولوژیک و نیاز به کنترل دقیق عمق بیهوشی از چالش‌برانگیزترین حوزه‌های پزشکی است. پیشرفت‌های اخیر در هوش مصنوعی و یادگیری ماشین فرصت‌های جدیدی برای بهبود پایش، پیش‌بینی و پشتیبانی از تصمیم‌گیری در این زمینه فراهم کرده است.هدف: این مرور نظام‌مند به بررسی کاربردهای هوش مصنوعی در پیش‌بینی رخدادهای همودینامیک، برآورد عمق بیهوشی، کنترل خودکار دارو و پشتیبانی تصمیم‌گیری بالینی در بیهوشی جراحی‌های مغز و اعصاب می‌پردازد.روش: جستجوی ساختاریافته در پایگاه‌های pubmed و pmc برای مطالعات منتشرشده از 2010 تا اوت 2025 انجام شد. تنها مطالعاتی وارد شدند که بر داده‌های بالینی انسانی اجرا شده یا مدل‌های پیشنهادی را با داده‌های اتاق عمل اعتبارسنجی کرده باشند. گزارش‌دهی بر اساس چارچوب prisma انجام شد.یافته‌ها: شاخص پیش‌بینی افت فشار (hpi) مبتنی بر یادگیری ماشین در چندین کارآزمایی تصادفی منجر به کاهش معنادار مدت و شدت دوره‌های افت فشار حین عمل شده است. مدل‌های زمانی عمیق (lstm و transformer) برای پیش‌بینی عمق بیهوشی از سیگنال‌های eeg دقت بیشتری نسبت به روش‌های داروشناسی کلاسیک نشان داده‌اند. سامانه‌های حلقه‌بسته mimo توان بالقوه‌ای برای خودکارسازی ایمن بیهوشی ارائه کرده‌اند. کاربرد nlp در پرونده‌های الکترونیک مسیرهای جدیدی برای پیش‌بینی ریسک فراهم کرده است.نتیجه‌گیری: هوش مصنوعی در بیهوشی مغز و اعصاب از مرحله اثبات مفهوم به سوی کاربرد بالینی پیش رفته است؛ اما برای پذیرش گسترده لازم است توجه بیشتری به توضیح‌پذیری مدل‌ها، استانداردسازی داده‌ها و اجرای کارآزمایی‌های چندمرکزی معطوف شود.

artificial intelligence in neurosurgical anesthesia: a systematic review of applications, challenges, and future directions

background: anesthesia in neurosurgical procedures is among the most complex areas of medicine due to the need for maintaining cerebral perfusion, hemodynamic stability, and precise depth of anesthesia. recent advances in artificial intelligence (ai) and machine learning (ml) have opened new opportunities to enhance monitoring, prediction, and clinical decision support in this field.objective: this systematic review investigates ai applications in predicting hemodynamic events, estimating anesthetic depth, automated drug control, and clinical decision support in neurosurgical anesthesia.methods: a structured search was conducted in pubmed and pmc for studies published between 2010 and august 2025. only studies using human clinical data or validating models with real operating-room data were included. reporting followed the prisma framework.results: the ml-based hypotension prediction index (hpi) significantly reduced intraoperative hypotension duration and severity in multiple randomized trials. deep temporal models (lstm, transformer) outperformed classical pharmacokinetic/pharmacodynamic approaches for depth-of-anesthesia estimation. multivariable closed-loop systems showed promising safety profiles. nlp applied to electronic health records enabled new risk-prediction pathways.conclusion: ai in neurosurgical anesthesia has progressed beyond the conceptual stage. wider adoption requires improved model explainability, standardized data, and large multicenter trials. future research should focus on multimodal data integration and safe adaptive algorithms.keywords: neuroanesthesia; depth of anesthesia; bis; intraoperative hypotension; closed-loop systems; machine learning; artificial intelligence; transformer; lstm; dss; nlp