پیش‌بینی عوارض دارویی با یادگیری ماشین؛ مرور نظام‌مند

عوارض ناخواسته دارویی یکی از عوامل مهم بستری‌های قابل پیشگیری هستند، اما نظام‌های رایج پایش ایمنی دارو اغلب پس از وقوع عارضه واکنش نشان می‌دهند. یادگیری ماشین می‌تواند با تحلیل داده‌های بالینی و دارویی، امکان شناسایی زودهنگام خطر عوارض ناخواسته را فراهم کند.

این مطالعه با مرور نظام‌مند و فراتحلیل چندسطحی، عملکرد مدل‌های یادگیری ماشین را در پیش‌بینی گسترده عوارض ناخواسته دارویی بررسی کرده است. یافته‌ها نشان دادند مدل‌ها در مجموع قدرت تفکیک متوسطی دارند، اما ناهمگونی زیاد میان مطالعات، استفاده فوری از این مدل‌ها را در محیط بالینی محدود می‌کند.

پیام اصلی پژوهش این است که عملکرد مطلوب کلی مدل‌ها، به‌تنهایی برای اثبات قابلیت تعمیم یا آمادگی بالینی آن‌ها کافی نیست و اعتبارسنجی خارجی و ارزیابی آینده‌نگر همچنان ضروری است.

خلاصه سریع

• این پژوهش یک مرور نظام‌مند و فراتحلیل سه‌سطحی درباره پیش‌بینی عوارض ناخواسته دارویی با یادگیری ماشین است.
• AUC تجمیعی مدل‌ها در تحلیل اصلی ۰٫۸۴۱ گزارش شد؛ اما سطح اطمینان به شواهد پایین ارزیابی شد.
• شبکه‌های عصبی برتری آماری نسبت به رگرسیون لجستیک، جنگل تصادفی یا نزدیک‌ترین همسایه نداشتند.
• ناهمگونی زیاد میان مطالعات نشان می‌دهد عملکرد مدل‌ها به داده‌ها، تعریف پیامد و شیوه اعتبارسنجی وابسته است.
• استانداردسازی داده‌ها، اعتبارسنجی خارجی و ارزیابی آینده‌نگر پیش‌نیاز استفاده بالینی هستند.

موضوع این پژوهش چیست؟

موضوع اصلی این پژوهش، پیش‌بینی عوارض ناخواسته دارویی با استفاده از مدل‌های یادگیری ماشین است. عوارض ناخواسته دارویی می‌توانند پیامدهای مهمی برای ایمنی بیمار داشته باشند و به بستری قابل پیشگیری منجر شوند. در چنین شرایطی، ابزارهای پیش‌بینی که پیش از وقوع یا تشدید عارضه، بیماران یا داروهای پرخطر را شناسایی کنند، می‌توانند در آینده به تقویت پایش ایمنی دارو کمک کنند.

با وجود افزایش مطالعات مربوط به هوش مصنوعی و فارماکوویigilance، عملکرد گزارش‌شده مدل‌ها در مطالعات مختلف یکسان نیست. به همین دلیل، پژوهشگران تلاش کردند شواهد موجود را با روشی آماری که وابستگی میان چند مدل در یک مطالعه را در نظر می‌گیرد، جمع‌بندی کنند.

تعاریف ضروری

عوارض ناخواسته دارویی

عوارض ناخواسته دارویی، پیامدهای نامطلوب و ناخواسته‌ای هستند که در ارتباط با مصرف یک دارو رخ می‌دهند. شناسایی و پایش این عوارض بخشی از حوزه ایمنی دارو و مراقبت دارویی است.

یادگیری ماشین

یادگیری ماشین شاخه‌ای از هوش مصنوعی است که در آن الگوریتم‌ها با استفاده از داده‌ها، الگوهای مرتبط با یک پیامد را یاد می‌گیرند و برای پیش‌بینی یا طبقه‌بندی موارد جدید به کار می‌روند.

مساحت زیر منحنی مشخصه عملکرد گیرنده

مساحت زیر منحنی مشخصه عملکرد گیرنده یا AUC معیاری برای سنجش قدرت تفکیک یک مدل است؛ یعنی نشان می‌دهد مدل تا چه اندازه می‌تواند موارد دارای پیامد را از موارد فاقد آن جدا کند. AUC بالاتر معمولاً به قدرت تفکیک بهتر اشاره دارد، اما به‌تنهایی برای ارزیابی آمادگی بالینی کافی نیست.

پژوهش چگونه انجام شد؟

این مطالعه یک مرور نظام‌مند و فراتحلیل چندسطحی بود که بر اساس پروتکل ثبت‌شده در PROSPERO و مطابق چارچوب PRISMA 2020 انجام شد. پژوهشگران پایگاه‌های PubMed و Web of Science Core Collection را از آغاز نمایه‌سازی تا ۳۰ ژانویه ۲۰۲۵ جست‌وجو کردند. جست‌وجوی تکمیلی در Scopus و IEEE Xplore در ۲ فوریه ۲۰۲۶ رکورد جدیدی به همراه نداشت.

مطالعات واجد شرایط از داده‌های بالینی معتبر استفاده کرده و پیش‌بینی عوارض ناخواسته مرتبط با چند دارو را با روش‌های یادگیری ماشین بررسی کرده بودند. کیفیت و خطر سوگیری مطالعات با ابزار PROBAST ارزیابی شد. از میان ۱۱ مطالعه بررسی‌شده، ۹ مطالعه در تحلیل کمی مشارکت کردند و در مجموع ۳۰ مقدار AUC در سطح مدل‌ها، درون ۹ مطالعه، وارد تحلیل اصلی شد.

مقادیر AUC پس از تبدیل لگیت، با مدل اثرات تصادفی در سطح مطالعه و یک فراتحلیل سه‌سطحی چندمتغیره با روش REML تجمیع شدند. جزئیات کامل همه مراحل مدل‌سازی و ویژگی‌های داده‌ها در متن در دسترس این گزارش ارائه نشده است.

یافته‌های اصلی پژوهش

در تحلیل اصلی سه‌سطحی، AUC تجمیعی مدل‌های یادگیری ماشین ۰٫۸۴۱ بود؛ فاصله اطمینان ۹۵ درصدی این برآورد از ۰٫۷۸۹ تا ۰٫۸۸۳ گزارش شد. برآورد حساسیت در سطح مطالعه با مدل DerSimonian-Laird برابر با ۰٫۸۳۲ بود و ناهمگونی بسیار زیادی میان مطالعات مشاهده شد.

• فاصله برآوردهای تحلیل حذف تک‌مطالعه‌ای از ۰٫۸۱۸ تا ۰٫۸۴۲ بود.
• شبکه‌های عصبی از نظر آماری عملکرد بهتری نسبت به رگرسیون لجستیک، جنگل تصادفی و روش نزدیک‌ترین همسایه نشان ندادند.
• در تحلیل اولیه، استفاده از ویژگی‌های مرتبط با هدف‌های پروتئینی با کاهش ظاهری عملکرد مدل همراه بود.
• این اثر پس از تحلیل حساسیت چندسطحی از بین رفت و نشان داد نتیجه اولیه عمدتاً تحت تأثیر یک مطالعه غالب بوده است.
• قطعیت کلی شواهد بر اساس چارچوب GRADE پایین ارزیابی شد.

این یافته‌ها در عمل چه معنایی دارند؟

نتایج نشان می‌دهند که مدل‌های یادگیری ماشین از نظر تفکیک بیماران یا موقعیت‌های پرخطر از موارد کم‌خطر، ظرفیت قابل توجهی دارند. با این حال، AUC تجمیعی یک خلاصه توصیفی از شواهد موجود است و به معنای عملکرد یکسان مدل‌ها در همه بیمارستان‌ها، جمعیت‌ها، داروها یا سامانه‌های ثبت داده نیست.

برای استفاده عملی، مدل باید در داده‌هایی مستقل از داده‌های توسعه‌دهنده آزمایش شود، تعریف عارضه در مطالعات مختلف هماهنگ باشد و عملکرد آن در شرایط واقعی مراقبت سلامت ارزیابی شود. بنابراین، این یافته‌ها بیشتر از توسعه و ارزیابی دقیق‌تر ابزارهای پشتیبان تصمیم حمایت می‌کنند، نه از استقرار فوری آن‌ها در فرایند درمان.

نقش هوش مصنوعی در این موضوع

در این پژوهش، هوش مصنوعی از طریق مدل‌های یادگیری ماشین برای پیش‌بینی عوارض ناخواسته دارویی به کار رفته است. مدل‌ها می‌توانند الگوهای پیچیده میان داروها، ویژگی‌های بیمار و داده‌های بالینی را بررسی کنند؛ اما کیفیت خروجی آن‌ها به کیفیت داده، تعریف دقیق پیامد، انتخاب ویژگی‌ها و اعتبارسنجی وابسته است.

یافته‌های مطالعه همچنین نشان می‌دهد انتخاب یک الگوریتم پیچیده‌تر، مانند شبکه عصبی، لزوماً به عملکرد بهتر منجر نمی‌شود. مقایسه منصفانه میان الگوریتم‌ها و ارزیابی آن‌ها در محیط‌های مستقل، برای تعیین ارزش واقعی هوش مصنوعی در مراقبت دارویی اهمیت دارد.

محدودیت‌ها و نکات احتیاطی

شواهد موجود کوچک و از نظر روش‌شناختی ناهمگون بود و تنها ۹ مطالعه در تحلیل کمی مشارکت داشتند. ناهمگونی بالا نشان می‌دهد عملکرد مدل‌ها در زمینه‌های مختلف تفاوت چشمگیری دارد. همچنین، نتیجه مربوط به ویژگی‌های هدف پروتئینی در تحلیل اولیه تحت تأثیر یک مطالعه غالب بود و در تحلیل حساسیت چندسطحی پایدار نماند.

پژوهشگران تأکید کرده‌اند که عملکرد تجمیعی مدل‌ها در این مطالعه قابلیت تعمیم گسترده به همه منابع داده، تعریف‌های عارضه، روش‌های مهندسی ویژگی یا محیط‌های اعتبارسنجی را ثابت نمی‌کند. تفسیر نتایج و تصمیم‌گیری درباره کاربرد بالینی به مطالعات مستقل، اعتبارسنجی خارجی و ارزیابی‌های آینده‌نگر همسو با الزامات نهادهای تنظیم‌گر نیاز دارد.

سوالات متداول

آیا این مطالعه نشان می‌دهد یادگیری ماشین عوارض دارویی را با دقت قطعی پیش‌بینی می‌کند؟

خیر. مطالعه عملکرد کلی مدل‌ها را امیدوارکننده توصیف می‌کند، اما به دلیل قطعیت پایین شواهد و ناهمگونی زیاد، تعمیم قطعی نتایج به همه شرایط ممکن نیست.

بهترین الگوریتم برای پیش‌بینی عوارض دارویی کدام بود؟

هیچ برتری آماری برای شبکه‌های عصبی نسبت به رگرسیون لجستیک، جنگل تصادفی یا نزدیک‌ترین همسایه مشاهده نشد. بنابراین، این مطالعه یک الگوریتم واحد را به‌عنوان بهترین گزینه معرفی نمی‌کند.

AUC حدود ۰٫۸۴۱ چه معنایی دارد؟

این مقدار نشان‌دهنده قدرت تفکیک متوسط تا خوب مدل‌ها در داده‌های بررسی‌شده است؛ اما به‌تنهایی درباره کالیبراسیون، سودمندی بالینی یا عملکرد مدل در یک محیط جدید تصمیم‌گیری نمی‌کند.

آیا این مدل‌ها آماده استفاده در بالین هستند؟

بر اساس نتیجه‌گیری مقاله، هنوز پیش‌نیازهایی مانند معیارهای استاندارد، تعریف‌های هماهنگ پیامد، اعتبارسنجی خارجی و ارزیابی آینده‌نگر باید فراهم شود.

این مطالعه چه نوع پژوهشی است؟

این مقاله یک مرور نظام‌مند و فراتحلیل سه‌سطحی چندمتغیره از مطالعات پیش‌بینی عوارض ناخواسته دارویی با یادگیری ماشین است.

درباره سانوس

سانوس با تمرکز بر رصد و تحلیل علمی فناوری‌های سلامت، پزشکی و هوش مصنوعی، تلاش می‌کند یافته‌های پژوهشی را با حفظ دقت علمی و توجه به محدودیت‌های شواهد برای مخاطبان فارسی‌زبان قابل فهم کند. بررسی مدل‌های پیش‌بینی عوارض دارویی نمونه‌ای از موضوعاتی است که پیوند میان هوش مصنوعی، داروسازی و ایمنی بیمار را نشان می‌دهد.

منابع

• Cappello G، Oster C، Schmidt T و همکاران. Machine learning models for adverse drug reaction prediction. A systematic review and three-level multilevel meta-analysis. Frontiers in Pharmacology. ۲۰۲۶؛ جلد ۱۷، مقاله ۱۹۰۶۹۲۰. DOI: 10.3389/fphar.2026.1906920.