كاربرد هوش مصنوعي در شناسايي تداخلات دارويي با دارو

مقدمه هوش مصنوعي، شاخه‌اي از علوم كامپيوتر است كه شامل ايجاد ماشين‌هاي هوشمندي است كه مي‌توانند كارهايي را انجام دهند كه معمولاً به هوش انساني نياز دارند. هوش مصنوعي مي تواند هوش انسان را شبيه سازي كند و كارهايي مانند حل مسئله و يادگيري را انجام دهد. در صنايع داروسازي و مراقبت هاي بهداشتي، هوش مصنوعي براي بهبود مراقبت از بيمار و ايمني دارو استفاده مي شود. هوش مصنوعي اين پتانسيل را دارد كه صنعت مراقبت هاي بهداشتي را با بهبود ايمني دارو، افزايش دقت تشخيصي و ارائه گزينه هاي درماني شخصي متحول كند. هدف از اين مطالعه بررسي مطالعات انجام شده در زمينه تاثير بكارگيري هوش مصنوعي در شناسايي تداخلات دارويي با دارو مي باشد. روش كار پايگاه هاي الكترونيكي PubMed، Scopus و Google scholar براي جستجوي مقالات با كلمات كليدي تداخل دارويي با دارو در تركيب با هوش مصنوعي يا يادگيري ماشيني يا يادگيري عميق يا شبكه عصبي و پيش‌بيني و معادل انگليسي كلمات از سال 2017 تا 2023 جستجو شد. معيارهاي واجد شرايط بودن مقالات شامل مدل‌هاي پيش‌بيني تداخل دارويي با دارو بودكه با استفاده از الگوريتم‌هاي مبتني بر يادگيري ماشين و يا يادگيري عميق بودند. از 393 مقاله به دست آمده، بعد از حذف عناوين تكراري 325 مقاله باقي ماند، سپس 63 مقاله مروري حذف گرديد و از ميان 260 مقاله باقي مانده، بعد از مطالعه خلاصه مقالات 74 مقاله كه از روش يادگيري ماشين (ML) و يا يادگيري عميق (DL) براي شناسايي تداخل دارو با دارو استفاده كرده بودند وارد مطالعه شدند. يافته ها و بحث تداخلات دارويي مي تواند عواقب جدي در بيماري هاي مختلف و جمعيت بيماران داشته باشد.. مديريت و نظارت صحيح بر داروها براي به حداقل رساندن خطرات مرتبط با تداخلات دارويي بسيار مهم است.مطالعاتي در زمينه بكارگيري مدل‌هاي هوش مصنوعي براي پيش‌بيني تداخلات دارويي انجام شده است. از ميان مدل‌هاي پيش‌بيني مبتني بر يادگيري ماشين جهت پيش بيني تداخلات دارويي مدل يادگيري ماشين پيشگويانه مبتني بر الگوريتم منفرد و مدل پيش‌بيني يادگيري گروهي و از ميان مدل هاي پيش‌بيني مبتني بر يادگيري عميق تشخيص تداخل دارويي با دارو ، شبكه عصبي مصنوعي (ANN)، شبكه عصبي كانولوشنال معمولي، شبكه عصبي كانولوشنال مبتني بر وابستگي و شبكه عصبي كانولوشنال عميق بيشتر مورد استفاده قرار گرفته بودند. نتيجه گيري مدل هاي مبتني بر يادگيري ماشين درپيش بيني تداخلات دارويي با دارو موثرتر عمل مي‌كنند، مدل هاي مبتني بر يادگيري ماشين از داده‌هاي مثبت و منفي آموخته مي‌شوند و تعيين پارامترهاي بهينه در مدل هاي مبتني بر يادگيري ماشين زمان‌بر است. مدل‌هاي DNN مانند CNN و شبكه‌هاي عصبي متوالي مانند RNN، به دليل داشتن رزولوشن مناسب براي انتخاب ويژگي و پيش بيني تداخلات دارويي با دارو، پيچيده هستند. اما عملكرد بهتري نسبت به مدل هاي مبتني بر يادگيري ماشين دارند و قابليت توليد خودكار ورودي سلسله مراتبي دارند، اما روش هاي يادگيري عميق در آن مدل ها مورد اعتماد كاركنان پزشكي نيستند.