هوش مصنوعی در بیهوشی: ارتقای پیش‌بینی پیرامون عمل و کمک‌های پروسیجرال – یک مرور نظام‌مند

زمینه: هوش مصنوعی و یادگیری ماشین با ارائه پیش‌بینی و پشتیبانی تصمیم مبتنی بر داده، به سرعت در حال دگرگونی تصمیم‌گیری‌های پیرامونی هستند و ممکن است عوارض مرتبط با بیهوشی را کاهش دهند. علیرغم پیشرفت‌های امیدوارکننده، تبدیل این فناوری به مراقبت روتین بیهوشی به دلیل شکاف‌های روش‌شناختی، اعتبارسنجی و اجرایی، همچنان محدود است.اهداف: این مرور، کاربردهای هوش مصنوعی در بیهوشی را با تمرکز بر پیش‌بینی عوارض پیرامونی و کمک‌های پروسیجرال مبتنی بر هوش مصنوعی ارزیابی کرده و موانع اجرای آن‌ها را شناسایی می‌کند.روش‌ها: یک جستجوی نظام‌مند در پایگاه‌های پاب‌مد، ام‌بیس، وب آو ساینس، ککران central، آی‌تریپل‌ای اکسپلور و گوگل اسکالر از ژانویه 2015 تا مارس 2025 انجام شد تا مطالعات ارزیابی‌کننده مدل‌های هوش مصنوعی یا یادگیری ماشین اعمال‌شده بر مراقبت حین عمل، مدیریت راه هوایی یا پیش‌بینی رویدادهای مرتبط با بیهوشی شناسایی شوند. غربالگری، استخراج داده و ارزیابی کیفیت توسط دو بازبین انجام شد. خطر سوگیری و قابلیت کاربرد با استفاده از probast برای مطالعات مدل‌سازی پیش‌بینی و rob 2 / robins-i برای مطالعات تصادفی‌سازی شده و غیرتصادفی ارزیابی شد. در صورت مناسب بودن، برآوردهای اثر و شاخص‌های افتراق با استفاده از متاآنالیز مدل اثرات تصادفی تلفیق شدند.یافته‌ها: جستجو 1276 رکورد یافت؛ پس از حذف 356 مورد تکراری و رد 823 مورد در مرحله غربالگری، 97 متن کامل ارزیابی و 21 مطالعه (با حجم نمونه از 568 نفر در کارآزمایی‌های تصادفی‌سازی شده تا بیش از 50000 مورد در مدل‌های پیش‌بینی) معیارهای ورود را داشتند. کاربردهای هوش مصنوعی شامل پیش‌بینی هیپوتانسیون حین عمل، هیپوکسمی و تهوع و استفراغ پس از عمل (ponv)، و همچنین ارزیابی راه هوایی دشوار، لوله‌گذاری تراشه با کمک رباتیک و بلوک‌های ناحیه‌ای تحت هدایت سونوگرافی بود. متاآنالیزها نشان‌دهنده قدرت افتراق خوب برای هیپوتانسیون (auroc=0.81) و هیپوکسمی (auroc=0.81) بودند، در حالی که پیش‌بینی ponv بهینه نبود (auroc=0.68). معماری‌های یادگیری عمیق (مانند شبکه‌های کانولوشنی مانند انواع vgg) قوی‌ترین عملکرد را در پیش‌بینی راه هوایی دشوار داشتند (auroc تلفیقی ≈ 0.84). فناوری‌های پروسیجرال (لوله‌گذاری با کمک رباتیک و بلوک‌های عصبی هدایت‌شده با هوش مصنوعی) در شبیه‌سازی و سری‌های بالینی اولیه نرخ موفقیت بالایی (>90%) نشان دادند.نتیجه‌گیری: هوش مصنوعی از طریق بهبود پیش‌بینی خطر و کمک‌های پروسیجرال، وعده ارتقای ایمنی بیمار در بیهوشی را می‌دهد. شواهد کنونی با محدودیت‌هایی مانند حجم نمونه کوچک، روش‌های ناهمگن، اعتبارسنجی خارجی محدود و گزارش‌دهی متغیر مواجه است. برای تسریع پذیرش، کارهای آتی باید بر اعتبارسنجی چندمرکزی، کارآزمایی‌های تاثیر و هزینه-اثربخشی، گزارش‌دهی استاندارد، حاکمیت شفاف مدل، و چارچوب‌های اخلاقی و نظارتی روشن شامل رضایت آگاهانه و مدیریت داده تمرکز کنند

title: ai in anesthesiology: enhancing perioperative prediction and procedural assistance – a systematic review

background:artificial intelligence (ai) and machine learning are rapidly transforming perioperative decision-making by offering data-driven prediction and decision-support that may reduce anesthesia-related complications. despite promising advances, translation into routine anesthetic care remains limited due to methodological, validation, and implementation gaps.objectives:this review evaluated ai applications in anesthesiology, focusing on prediction of perioperative complications and ai-assisted procedures, while identifying barriers to implementation.methods:a systematic search of pubmed, embase, web of science, cochrane central, ieee xplore, and google scholar from january 2015 through march 2025 identified studies evaluating ai or machine-learning models applied to intraoperative care, airway management, or prediction of anesthesia-related events. screening, data extraction, and quality assessment were performed by two reviewers. risk of bias and applicability were assessed using probast for prediction-model studies and rob 2 / robins-i for randomized and non-randomized studies. when appropriate, effect estimates and discrimination metrics were pooled using random-effects meta-analysis.results:the search yielded 1,276 records; after removing 356 duplicates and excluding 823 during screening, 97 full texts were assessed and 21 studies (sample sizes from 568 in rcts to over 50,000 in predictive models) met inclusion criteria. ai applications included prediction of intraoperative hypotension, hypoxemia, and postoperative nausea and vomiting (ponv), as well as difficult airway assessment, robotic-assisted intubation, and ultrasound-guided regional blocks. meta-analyses demonstrated good discrimination for hypotension (auroc 0.81) and hypoxemia (auroc 0.81), whereas ponv prediction remained suboptimal (auroc 0.68). deep learning architectures (e.g., convolutional networks such as vgg variants) achieved the strongest performance in difficult-airway prediction (pooled auroc ≈ 0.84). procedural technologies (robotic-assisted intubation and ai-guided nerve blocks) showed high success rates (>90%) in simulation and early clinical series.conclusions:ai holds promise to enhance patient safety in anesthesia through improved risk prediction and procedural assistance. current evidence is constrained by small samples, heterogeneous methods, limited external validation, and variable reporting. to accelerate adoption, future work should prioritize multi-center validation, impact and cost-effectiveness trials, standardized reporting, transparent model governance, and clear ethical and regulatory frameworks including informed consent and data stewardship.