کاربردهای هوش مصنوعی در بیهوشی جراحیهای مغز و اعصاب: مرور نظاممندِ کاربردها، چالشها و مسیر آینده
مجله آنستزیولوژی و مراقبتهای ویژه ایران,
Vol. 2 No. 126 (1403),
15 August 2026
Abstract
زمینه: بیهوشی در جراحیهای مغز و اعصاب بهدلیل حساسیت بالا در حفظ فشار و جریان خون، عملکرد مغزی و نیاز به کنترل دقیق عمق بیهوشی از چالشبرانگیزترین حوزههای پزشکی است. پیشرفتهای اخیر در هوش مصنوعی و روشهای 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 علمی معتبر برای مطالعات منتشرشده در بازه زمانی ۲۰۱۰ تا ۲۰۲۵ انجام شد. تنها مطالعاتی وارد مرور شدند که بر روی دادههای بالینی انسانی اجرا شده یا مدلهای پیشنهادی را با دادههای اتاق عمل اعتبارسنجی کرده باشند. یافتهها: شاخص پیشبینی افت فشار مبتنی بر الگوریتمهای یادگیری ماشین در چندین کارآزمایی منجر به کاهش مدت و شدت دورههای افت فشار در حین عمل شده است. مدلهای زمانی عمیق برای پیشبینی عمق بیهوشی از سیگنالهای الکتروانسفالوگرافی نسبت به روشهای داروشناسی سنتی دقت بیشتری نشان دادهاند. سامانههای حلقهبسته چندورودی-چندخروجی توان بالقوهای برای خودکارسازی ایمن کنترل بیهوشی ارائه کردهاند. همچنین کاربرد روشهای پردازش زبان طبیعی در استخراج اطلاعات از پروندههای الکترونیک، مسیرهای جدیدی برای پیشبینی ریسک و پشتیبانی تصمیمیار بالینی فراهم کرده است. نتیجهگیری: هوش مصنوعی در زمینه بیهوشی جراحیهای مغز و اعصاب از مرحلهٔ ایده به سوی کاربرد بالینی پیش رفته است؛ اما برای پذیرش گسترده لازم است توجه بیشتری به توضیحپذیری مدلها، استانداردسازی دادهها و انجام آزمایشهای بالینی چندمرکزی معطوف شود. تحقیقات آینده باید بر یکپارچهسازی دادههای چندگانه و توسعه الگوریتمهای ایمن متمرکز باشد.- کلیدواژهها :بیهوشی مغز و اعصاب، عمق بیهوشی، BIS، افت فشار خون حین عمل، سیستمهای حلقهبسته، یادگیری ماشین، هوش مصنوعی، Transformer، LSTM، DSS، NLP.
How to Cite
References
Wijnberge M, et al. Effect of a machine learning–based early warning system for intraoperative hypotension on time-weighted average mean arterial pressure: a randomized clinical trial. JAMA. 2020;323(11):1052–1060.
Wijnberge M, et al. Protocol and supplementary analysis of Hypotension Prediction Index (HPI) clinical validation and integrated evidence. BMJ Open. 2021;11(3):e042947.
He Y, et al. Transformer-based prediction of depth of anesthesia during target-controlled infusion of propofol and remifentanil. Frontiers in Neuroscience. 2023;17:1123956. [Available also on arXiv].
Li X, et al. Transformers in EEG: architectures and applications—a comprehensive review with relevance to anesthesia monitoring. Sensors (MDPI). 2023;23(15):6541.
Zhang Q, et al. Deep learning for EEG-based real-time depth of anesthesia estimation using spectral and complexity features. Brain Informatics. 2024;11(2):28.
Hemmerling TM, et al. McSleepy: design and clinical evaluation of a closed-loop anesthesia system integrating hypnosis, analgesia, and neuromuscular control. British Journal of Anaesthesia. 2010;104(6):807–814.
Taran S, et al. Explainable AI (XAI) for EEG: attention-based interpretation and uncertainty quantification in deep models. arXiv preprint. 2024; arXiv:2402.01345.
- Abstract Viewed: 1 times