Journal of Health and Biomedical Informatics

fa مرور نقادانه نوآوری‌های هوش مصنوعی در پیش‌بینی سمیت و مراقبت‌های شخصی‌سازی‌شده A Narrative Critical Review of AI Innovations in Toxicity Prediction and Personalized Healthcare هوش مصنوعی در حوزه سلامت Artificial Intelligence in Healthcare مقاله مروری تشریحی Narrative review articles <div style="text-align: justify;">مقدمه: سم‌شناسی پیش‌بینانه با بهره‌گیری از هوش مصنوعی(Artificial Intelligence) AI به‌عنوان یک رویکرد نوین، امکان ارزیابی سریع، دقیق و مقرون‌به‌صرفه سمیت مواد شیمیایی، داروها و آلاینده‌های محیطی را فراهم کرده است. این حوزه با کاهش وابستگی به آزمون‌های سنتی آزمایشگاهی و حیوانی، نقش مهمی در توسعه دارو، پزشکی شخصی‌سازی‌شده و ارتقای سلامت محیطی ایفا می‌کند. هدف از این مطالعه، مرور نقادانه پیشرفت‌های اخیر در کاربردهای هوش مصنوعی در سم‌شناسی پیش‌بینانه و بررسی فرصت‌ها و چالش‌های موجود در این زمینه است. روش کار: این مرور نقادانه روایی با جستجوی سیستماتیک در پایگاه‌های علمی PubMed، Scopus، ScienceDirect و Google Scholar انجام شد. کلیدواژه‌هایی نظیر Artificial Intelligence، Predictive Toxicology و Personalized Medicine برای شناسایی مقالات مرتبط استفاده شدند. مقالات بر اساس معیارهای ورود (تمرکز بر روش‌های یادگیری ماشین، انتشار از 2000 به بعد، دسترسی به متن کامل) و خروج (مقالات غیرمرتبط یا فاقد داده‌های تجربی) انتخاب و به‌صورت انتقادی بررسی شدند. یافته‌ها: الگوریتم‌های یادگیری ماشین و یادگیری عمیق، مدل‌های پیش‌بینانه مانند QSAR، سم‌ژن‌شناسی و مدل‌سازی مولکولی را تقویت کرده‌اند. این فناوری‌ها دقت پیش‌بینی سمیت را افزایش داده، غربالگری ترکیبات را تسریع کرده و نیاز به آزمایش‌های حیوانی را کاهش داده‌اند. در پزشکی شخصی، AI با تحلیل پروفایل‌های ژنتیکی، سمیت داروها را پیش‌بینی و دوزهای درمانی را بهینه می‌کند. در سلامت محیطی، داده‌های حسگرهای پوشیدنی برای پایش اثرات آلاینده‌ها تحلیل می‌شوند. چالش‌هایی مانند کمبود داده‌های باکیفیت، تفسیرپذیری محدود مدل‌ها و موانع نظارتی همچنان وجود دارند. نتیجه‌گیری: هوش مصنوعی ظرفیت بالایی برای تحول سم‌شناسی پیش‌بینانه و ارتقای ایمنی انسان و محیط زیست دارد. استانداردسازی داده‌ها، توسعه مدل‌های هوش مصنوعی قابل توضیح و تدوین چارچوب‌های نظارتی کارآمد، برای بهره‌برداری کامل از این فناوری ضروری است. جهت‌گیری‌های آینده شامل پایش بلادرنگ سمیت و ادغام هوش مصنوعی با فناوری‌های نوظهور مانند CRISPR خواهد بود. این رویکردها می‌توانند به تصمیم‌گیری دقیق‌تر، کاهش عدم‌قطعیت در ارزیابی ریسک و تسریع گذار به سم‌شناسی پیشگیرانه و شخصی‌سازی‌شده منجر شوند. </div> <div style="text-align: justify;">Introduction: Predictive toxicology utilizing artificial intelligence (AI) enables rapid, accurate, and cost-effective assessment of the toxicity of chemicals, pharmaceuticals, and environmental pollutants. By reducing reliance on traditional in vitro and animal testing, this field plays a critical role in drug development, personalized medicine, and environmental health. This study reviews recent advances in AI applications in predictive toxicology and examines the associated opportunities and challenges. Method: This narrative critical review was conducted through a systematic search of scientific databases, including PubMed, Scopus, ScienceDirect, and Google Scholar. Keywords such as "Artificial Intelligence", "Predictive Toxicology," and "Personalized Medicine" were used to identify relevant articles. Articles were selected based on inclusion criteria (focusing on machine learning methods, published from 2000 onward, and full-text availability) and exclusion criteria (irrelevant articles or those lacking experimental data), and were critically evaluated. Results: Machine learning and deep learning algorithms have enhanced predictive models such as QSAR, toxicogenomics, and molecular modeling. These technologies have improved the accuracy of toxicity predictions, accelerated compound screening, and reduced the need for animal testing. In personalized medicine, AI predicts drug toxicity and optimizes therapeutic dosages by analyzing genetic profiles. In environmental health, wearable sensor data are analyzed to monitor the pollution effects. However, challenges include limited high-quality data, restricted model interpretability, and regulatory barriers. Conclusion: Artificial intelligence has significant potential to transform predictive toxicology and enhance human and environmental safety. To fully harness this technology, data standardization, the development of explainable AI models, and the establishment of effective regulatory frameworks are essential. Future directions include real-time toxicity monitoring and the integration of AI with emerging technologies such as CRISPR. These approaches can lead to more informed decision-making, reduced uncertainty in risk assessment, and an accelerated transition toward preventive and personalized toxicology. <div style="text-align: justify;"></div></div> هوش مصنوعی, پیش‌بینی سمیت, پزشکی شخصی‌سازی‌شده, یادگیری ماشین, سم‌ژن‌شناسی, مدل‌سازی مولکولی Artificial Intelligence, Toxicity Prediction, Personalized Medicine, Machine Learning, Toxicogenomics, Molecular Modeling 277 293 http://jhbmi.ir/browse.php?a_code=A-10-1185-1&slc_lang=fa&sid=1 Sakineh Khanamani Falahatipour سکینه خنامانی فلاحتی پور falahatipour@ut.ac.ir 100319475328460010884 100319475328460010884 No Assistant Professor, Department of Comparative Biosciences, Faculty of Veterinary Medicine, University of Tehran, Tehran, Iran. استادیار، گروه علوم زیستی مقایسه ای، دانشکده دامپزشکی دانشگاه تهران، تهران، ایران Motahareh Soltani مطهره سلطانی motahareh.soltani@gmail.com 100319475328460010885 100319475328460010885 No Researcher, Pistachio Safety Research Center, Rafsanjan University of Medical Sciences, Rafsanjan, Iran Somayyeh Karami-Mohajeri سمیه کرمی مهاجری somayyehkarami3@gmail.com 100319475328460010886 100319475328460010886 No Associate Professor, Pharmaceutical Research Center, Institute of Neuropharmacology, Faculty of Pharmacy, Kerman University of Medical Sciences, Kerman, Iran دانشیار، مرکز تحقیقات فارماسیوتیکس، پژوهشکده نوروفارماکولوژی، دانشگاه علوم پزشکی کرمان، کرمان، ایران Amirreza Ghasemloo امیررضا قاسملو ar.ghassemlou.2015@gmail.com 100319475328460010887 100319475328460010887 No Faculty of Mathematical Sciences and Computer, Kharazmi University, Tehran, Iran پژوهشگر، دانشکده علوم ریاضیات و کامپیوتر ، دانشگاه خوارزمی، تهران، ایران Soudeh Khanamani Falahati-pour سوده خنامانی فلاحتی پور FALAHATI7777@yahoo.com 100319475328460010888 100319475328460010888 No Associate Professor, Pistachio Safety Research Center, Rafsanjan University of Medical Sciences, Rafsanjan, Iran دانشیار، مرکز تحقیقات سلامت پسته، دانشگاه علوم پزشکی رفسنجان، رفسنجان، ایران Salimeh Khanamani Falahatipour سلیمه خنامانی فلاحتی پور Sali.falahati@gmail.com 100319475328460010889 100319475328460010889 No Researcher, Computer Engineering Department, Faculty of Engineering, Shahid Bahonar University, Kerman, Iran پژوهشگر، گروه مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه شهید باهنر کرمان، کرمان، ایران Zohreh Oghabian زهره عقابیان zoghabian@yahoo.com 100319475328460010890 100319475328460010890 Yes Assistant Professor, Pharmaceutical Research Center, Institute of Neuropharmacology, Faculty of Pharmacy, Kerman University of Medical Sciences, Kerman, Iran استادیار، مرکز تحقیقات فارماسیوتیکس، پژوهشکده نوروفارماکولوژی، دانشگاه علوم پزشکی کرمان، کرمان، ایران