هوش مصنوعی در بیهوشی: ارتقای پیشبینی پیرامون عمل و کمکهای پروسیجرال – یک مرور نظاممند
مجله آنستزیولوژی و مراقبتهای ویژه ایران,
Vol. 2 No. 126 (1403),
15 August 2026
Abstract
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 ۲۰۱۵ تا مارس ۲۰۲۵ 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 ۱۲۷۶ رکورد یافت؛ پس از حذف ۳۵۶ مورد تکراری و رد ۸۲۳ مورد در مرحله غربالگری، ۹۷ متن کامل ارزیابی و ۲۱ مطالعه (با حجم نمونه از ۵۶۸ نفر در کارآزماییهای تصادفیسازی شده تا بیش از ۵۰۰۰۰ 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 ≈ ۰.۸۴). فناوریهای پروسیجرال (لولهگذاری با کمک رباتیک و بلوکهای عصبی هدایتشده با هوش مصنوعی) در شبیهسازی و سریهای بالینی اولیه نرخ موفقیت بالایی (>۹۰%) 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 تأثیر و هزینه-اثربخشی، گزارشدهی استاندارد، حاکمیت شفاف مدل، و چارچوبهای اخلاقی و نظارتی روشن شامل رضایت آگاهانه و مدیریت داده تمرکز کنند.- هوش مصنوعی
- بیهوشی
- مراقبت پیرامونی
- مدیریت راه هوایی
- یادگیری ماشین
- ایمنی بیمار
How to Cite
References
1. Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25(1):44–56.
2. Hashimoto DA, et al. Artificial intelligence in anesthesiology: current techniques, clinical applications, and limitations. Anesthesiology. 2020;132(2):379–394.
3. Bilgic E, et al. Artificial intelligence applications in anesthesiology. Can J Anaesth. 2022;69(3):300–312.
4. Lundberg SM, et al. Explainable machine-learning predictions for the prevention of hypoxemia during surgery. Nat Biomed Eng. 2018;2(10):749–760.
5. Lee CK, et al. Prediction of intraoperative hypotension using deep learning. Anesth Analg. 2020;130(5):1185–1192.
6. Parsa A, et al. Ethical and legal challenges of artificial intelligence in anesthesiology. Br J Anaesth. 2023;131(1):65–77.
7. Ghassemi M, et al. A review of challenges and opportunities in machine learning for health. JAMA Netw Open. 2021;4(7):e2110187.
8. Page MJ, et al. The PRISMA 2020 statement. BMJ. 2021;372:n71.
9. Wolff RF, et al. PROBAST: a tool for assessing risk of bias in prediction model studies. Ann Intern Med. 2019;170(1):51–58.
10. Sterne JAC, et al. RoB 2: a revised tool for randomized trials. BMJ. 2019;366:l4898.
11. Sterne JAC, et al. ROBINS-I: bias in non-randomized studies. BMJ. 2016;355:i4919.
12. Lee CK, et al. Deep-learning prediction of hypotension. Anesth Analg. 2020;130(5):1185–1192.
13. Hatib F, et al. Machine-learning algorithm for predicting intraoperative hypotension. Anesthesiology. 2018;129(4):663–674.
14. Wu M, et al. Prediction of intraoperative hypotension using physiological data and ML. Front Med. 2023;10:1105973.
15. Kim Y, et al. Gradient boosting vs neural networks in hemodynamic prediction. J Clin Monit Comput. 2022;36(5):1231–1241.
16. Lundberg SM, et al. Explainable ML for hypoxemia. Nat Biomed Eng. 2018;2(10):749–760.
17. Yoon S, et al. Deep-learning model for hypoxemia prediction. Anesth Analg. 2021;133(2):340–349.
18. Wang L, et al. AI-based prediction of postoperative nausea and vomiting. Front Anesthesiol. 2023;2:1175432.
19. Park J, et al. Machine-learning model for PONV risk prediction. Anesth Analg. 2022;135(3):605–614.
20. Xu X, et al. CNN-based difficult airway prediction using facial images. Anesthesiology. 2021;134(5):747–758.
21. Lee JH, et al. Deep-learning approach for difficult airway assessment. BMC Anesthesiol. 2023;23(1):76.
22. Kim SH, et al. EfficientNet-based difficult airway prediction. Comput Biol Med. 2024;172:108573.
23. Yang G, et al. A robotic system for autonomous intubation. Sci Transl Med. 2020;12(563):eaay5171.
24. Tang R, et al. Clinical evaluation of robotic-assisted intubation. Front Robot AI. 2024;11:1321579.
25. Bowness JS, et al. AI-assisted ultrasound for regional anesthesia. Br J Anaesth. 2022;129(6):1031–1042.
26. Gofeld M, et al. Machine vision in ultrasound-guided nerve blocks. Reg Anesth Pain Med. 2023;48(3):165–172.
27. Zhao Y, et al. Deep learning for peripheral nerve identification. J Clin Anesth. 2024;88:111214.
28. Kwon JM, et al. Pitfalls of AI model generalization in perioperative care. Anesth Analg. 2023;136(4):864–872.
29. Lee H, et al. Multimodal waveform modeling for intraoperative event prediction. Front Digit Health. 2023;5:1112235.
30. Eshraghian EA, et al. AI for physiological trend monitoring in anesthesia. BJA Open. 2024;6(2):100157.
31. Nakai T, et al. Combining AI and clinical scoring for airway prediction. Anesth Analg. 2023;137(4):904–911.
32. Zhang Y, et al. Reinforcement learning for robotic intubation control. IEEE Trans Med Robot Bionics. 2022;4(3):656–664.
33. Wu Y, et al. AI-enhanced ultrasound training for anesthesiology residents. Med Educ Online. 2024;29(1):2297471.
34. El-Boghdady M, et al. Quality of AI studies in perioperative medicine. J Clin Monit Comput. 2023;37(2):451–462.
35. Yang S, et al. External validation challenges in anesthesia AI. Anesthesiology. 2024;140(2):315–326.
36. Rajpurkar P, et al. Explainable AI in clinical practice. Nat Rev Clin Oncol. 2022;19(12):750–760.
37. Gerke S, et al. Ethical and legal implications of AI in healthcare. Health Aff. 2020;39(5):693–699.
38. Floridi L, et al. Principles of AI ethics in medicine. Nat Med. 2021;27(8):1328–1333.
39. Yu KH, et al. Trustworthy AI for healthcare. Nat Med. 2022;28(11):2259–2266.
40. Liu X, et al. Reporting guidelines for AI in clinical trials (CONSORT-AI). Nat Med. 2020;26(9):1364–1374.
41. Collins GS, et al. TRIPOD-AI: transparent reporting of prediction models. BMJ. 2023;380:e072949.
42. Clifton DA, et al. Future directions of AI in anesthesiology. Br J Anaesth. 2025;134(1):10–21.
- Abstract Viewed: 6 times