دوره 12، شماره 3 - ( 9-1404 )
جلد 12 شماره 3 صفحات 293-277 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Falahatipour S K, Soltani M, Karami-Mohajeri S, Ghasemloo A, Khanamani Falahati-pour S, Khanamani Falahatipour S et al . A Narrative Critical Review of AI Innovations in Toxicity Prediction and Personalized Healthcare. jhbmi 2025; 12 (3) :277-293
URL: http://jhbmi.ir/article-1-935-fa.html
URL: http://jhbmi.ir/article-1-935-fa.html
خنامانی فلاحتی پور سکینه، سلطانی مطهره، کرمی مهاجری سمیه، قاسملو امیررضا، خنامانی فلاحتی پور سوده، خنامانی فلاحتی پور سلیمه و همکاران.. مرور نقادانه نوآوریهای هوش مصنوعی در پیشبینی سمیت و مراقبتهای شخصیسازیشده. مجله انفورماتیک سلامت و زیست پزشکی. 1404; 12 (3) :277-293
سکینه خنامانی فلاحتی پور 
، مطهره سلطانی ، سمیه کرمی مهاجری ، امیررضا قاسملو ، سوده خنامانی فلاحتی پور ، سلیمه خنامانی فلاحتی پور ، زهره عقابیان*
، مطهره سلطانی ، سمیه کرمی مهاجری ، امیررضا قاسملو ، سوده خنامانی فلاحتی پور ، سلیمه خنامانی فلاحتی پور ، زهره عقابیان*
استادیار، مرکز تحقیقات فارماسیوتیکس، پژوهشکده نوروفارماکولوژی، دانشگاه علوم پزشکی کرمان، کرمان، ایران
چکیده: (15 مشاهده)
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.
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.
واژههای کلیدی: هوش مصنوعی، پیشبینی سمیت، پزشکی شخصیسازیشده، یادگیری ماشین، سمژنشناسی، مدلسازی مولکولی
نوع مطالعه: مقاله مروری تشریحی |
موضوع مقاله:
هوش مصنوعی در حوزه سلامت
دریافت: 1404/4/22 | پذیرش: 1404/8/20
دریافت: 1404/4/22 | پذیرش: 1404/8/20
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
