دوره 28، شماره 6 - ( دوماهنامه طب جنوب 1405 )
جلد 28 شماره 6 صفحات 925-911 |
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:
Zarooj Hosseini K, Emami H, Nazari E, Golabpour A. Neural Network Performance in Drug Dose Prediction: A Systematic Review: A Systematic Review. Iran South Med J 2026; 28 (6) :911-925
URL: http://ismj.bpums.ac.ir/article-1-2469-fa.html
URL: http://ismj.bpums.ac.ir/article-1-2469-fa.html
زروج حسینی کیمیا، امامی حسن، نظری الهام، گلاب پور امین. مقایسه عملکرد شبکه عصبی در پیشبینی دوز دارو: مروری نظامند. مجله طب جنوب. 1405; 28 (6) :911-925
کیمیا زروج حسینی1 
، حسن امامی*2 ، الهام نظری1 ، امین گلاب پور3
، حسن امامی*2 ، الهام نظری1 ، امین گلاب پور3
1- گروه فناوری اطلاعات سلامت و مدیریت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران
2- گروه فناوری اطلاعات سلامت و مدیریت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران ،haemami@sbmu.ac.ir
3- گروه فناوری اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی شاهرود، شاهرود، ایران
2- گروه فناوری اطلاعات سلامت و مدیریت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران ،
3- گروه فناوری اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی شاهرود، شاهرود، ایران
چکیده: (216 مشاهده)
زمینه: مدیریت دوز دارو یکی از مهمترین چالشهای حوزه پزشکی است که ارتباط مستقیمی با اثربخشی درمان و کاهش عوارض دارویی دارد. دوز نامناسب میتواند منجر به بروز مسمومیت، ناکارآمدی درمان، و حتی مرگومیر شود. در سالهای اخیر، روشهای مبتنی بر هوش مصنوعی به دلیل توانایی در تحلیل حجم عظیمی از دادههای بالینی و فارماکوکینتیک بیماران، بهعنوان ابزار نوینی برای پیشبینی و تنظیم دقیق دوز دارو مطرح شدهاند. این فناوریها امکان شخصیسازی درمان و کاهش خطاهای دارویی را فراهم میسازند.
مواد و روشها: این مطالعه بهصورت مرور نظاممند در بازه زمانی 2000 تا 2025 انجام شد. مقالات از سه پایگاه داده استخراج شدند. پس از حذف مقالات تکراری و غیرمرتبط، مقالاتی که دارای روششناسی معتبر، به زبان انگلیسی منتشر شده و نتایج کمی از عملکرد الگوریتمها گزارش کرده بودند، وارد مطالعه شدند. سپس نوع الگوریتم، معیارهای ارزیابی (مانند Accuracy، MAE، RMSE، R²، AUC) و وجود یا عدم وجود ارزیابی خارجی استخراج و تحلیل گردید.
یافتهها: از میان 460 مطالعه شناسایی شده، پس از غربالگری نهایی 18 مطالعه وارد تحلیل شدند. نتایج نشان داد که شبکههای عصبی مصنوعی و مدلهای پیشرفتهتر آن، بهویژه در پیشبینی دوز داروهای با پنجره درمانی محدود مانند وارفارین، عملکرد مناسبی داشتهاند. شاخصهای ارزیابی شامل MAE، RMSE، R²، Accuracy و AUC در اغلب مطالعات دقت متوسط تا بالا را نشان دادند. با وجود نتایج امیدوارکننده، استفاده محدود از اعتبارسنجی خارجی و نبود ارزیابی بالینی آیندهنگر از مهمترین کاستیهای مطالعات بود.
نتیجهگیری: یافتههای این مرور نظاممند نشان میدهد که شبکههای عصبی ظرفیت بالایی در پیشبینی دقیق دوز دارو و بهبود ایمنی درمان دارند، بهویژه در داروهای پرخطر با پنجره درمانی محدود. با این حال، فقدان اعتبارسنجی خارجی و ارزیابیهای بالینی آیندهنگر، کاربرد گسترده این مدلها در محیط بالینی را محدود میسازد. انجام مطالعات بالینی استاندارد و توسعه مدلهای قابل تفسیر میتواند مسیر استفاده عملی از این روشها را هموار کند.
مواد و روشها: این مطالعه بهصورت مرور نظاممند در بازه زمانی 2000 تا 2025 انجام شد. مقالات از سه پایگاه داده استخراج شدند. پس از حذف مقالات تکراری و غیرمرتبط، مقالاتی که دارای روششناسی معتبر، به زبان انگلیسی منتشر شده و نتایج کمی از عملکرد الگوریتمها گزارش کرده بودند، وارد مطالعه شدند. سپس نوع الگوریتم، معیارهای ارزیابی (مانند Accuracy، MAE، RMSE، R²، AUC) و وجود یا عدم وجود ارزیابی خارجی استخراج و تحلیل گردید.
یافتهها: از میان 460 مطالعه شناسایی شده، پس از غربالگری نهایی 18 مطالعه وارد تحلیل شدند. نتایج نشان داد که شبکههای عصبی مصنوعی و مدلهای پیشرفتهتر آن، بهویژه در پیشبینی دوز داروهای با پنجره درمانی محدود مانند وارفارین، عملکرد مناسبی داشتهاند. شاخصهای ارزیابی شامل MAE، RMSE، R²، Accuracy و AUC در اغلب مطالعات دقت متوسط تا بالا را نشان دادند. با وجود نتایج امیدوارکننده، استفاده محدود از اعتبارسنجی خارجی و نبود ارزیابی بالینی آیندهنگر از مهمترین کاستیهای مطالعات بود.
نتیجهگیری: یافتههای این مرور نظاممند نشان میدهد که شبکههای عصبی ظرفیت بالایی در پیشبینی دقیق دوز دارو و بهبود ایمنی درمان دارند، بهویژه در داروهای پرخطر با پنجره درمانی محدود. با این حال، فقدان اعتبارسنجی خارجی و ارزیابیهای بالینی آیندهنگر، کاربرد گسترده این مدلها در محیط بالینی را محدود میسازد. انجام مطالعات بالینی استاندارد و توسعه مدلهای قابل تفسیر میتواند مسیر استفاده عملی از این روشها را هموار کند.
نوع مطالعه: مروری |
موضوع مقاله:
دارو و غذا
دریافت: 1404/8/27 | پذیرش: 1404/12/5 | انتشار: 1405/3/20
دریافت: 1404/8/27 | پذیرش: 1404/12/5 | انتشار: 1405/3/20
فهرست منابع
1. Khammarnia M, Setoodehzadeh FJHS. Medical error as a challenge in Iran’s health system. Health Scope 2017; 6(6): e61597. [DOI]
2. Isfahani P, Bazi A, Alirezaei S, et al. Medication error rates in Iranian hospitals: a meta-analysis. BMC Health Services Research 2024; 24(1): 743. [DOI]
3. Noorain, Srivastava V, Parveen B, Parveen RJCdm. Artificial intelligence in drug formulation and development: applications and future prospects. Current Drug Metabolism 2023; 24(9): 622-634. [DOI]
4. Bhatt P, Singh S, Kumar V, et al. Artificial intelligence in pharmaceutical industry: Revolutionizing drug development and delivery. Current Artificial Intelligence 2024; 2(1): E051223224198. [DOI]
5. Derraz B, Breda G, Kaempf C, et al. New regulatory thinking is needed for AI-based personalised drug and cell therapies in precision oncology. NPJ Preci-sion Oncology 2024; 8(1): 23. [DOI]
6. Huang S, Xu Q, Yang G, et al. Machine learning for prediction of drug concentrations: application and challenges. Clinical Pharmacology and Therapeutics 2025; 117(5): 1236-1247. [DOI]
7. Blasiak A, Khong J, Kee T. CURATE.AI: Optimizing Personalized Medicine with Artificial Intelligence. SLAS Technology 2020; 25(2): 95-105. [DOI]
8. Vora LK, Gholap AD, Jetha K, et al. Artificial intelligence in pharmaceutical technology and drug delivery design. Pharmaceutics 2023; 15(7): 1916. [DOI]
9. Serrano DR, Luciano FC, Anaya BJ, et al. Artificial Intelligence (AI) Applications in Drug Discovery and Drug Delivery: Revolutionizing Personalized Medi-cine. Pharmaceutics 2024; 16(10): 1328. [DOI]
10. Teplytska O, Ernst M, Koltermann LM, et al. Ma-chine learning methods for precision dosing in anticancer drug therapy: A scoping review. Clin Pharmacokinet 2024; 63(9): 1221-1237. [DOI]
11. Li B, Tan K, Lao AR, et al. A comprehensive review of artificial intelligence for pharmacology research. Frontiers in genetics 2024; 15: 1450529. [DOI]
12. Aghajanpour S, Amiriara H, Esfandyari-Manesh M, et al. Utilizing machine learning for predicting drug release from polymeric drug delivery systems. Computers in Biology and Medicine 2025; 188: 109756. [DOI]
13. Emami H, Radfar R. Presentation of a novel model for evaluation of commercialization of Research and Development: Case study of the pharmaceutical biotechnology industry. IJPR 2017; 16(3): 1214-1222. [Article]
14. Varela-Rey I, Bandín-Vilar E, Toja-Camba FJ, et al. Artificial Intelligence and Machine Learning Applications to Pharmacokinetic Modeling and Dose Pre-diction of Antibiotics: A Scoping Review. Antibiotics (Basel, Switzerland) 2024; 13(12): 1203. [DOI]
15. Mulani AO, Deshmukh M, Jadhav V, et al. Trans-forming Drug Therapy with Deep Learning: The Future of Personalized Medicine. Drug Res (Stuttg) 2025; 75(8): 326-333. [DOI]
16. Li QY, Tang BH, Wu YE, et al. Machine Learning: A New Approach for Dose Individualization. Clinical pharmacology and therapeutics 2024; 115(4): 727-744. [DOI]
17. Haidar SH, Johnson SB, Fossler MJ, et al. Modeling the Pharmacokinetics and Pharmacodynamics of a Unique Oral Hypoglycemic Agent Using Neural Net-works. Pharmaceutical Research 2002; 19(1): 87-91. [DOI]
18. Podda G. PREDICTION OF OPTIMAL WARFARIN MAINTENANCE DOSE USING ADVANCED ARTIFI-CIAL NEURAL NETWORKS. 2013. [Article]
19. Grossi E, Podda GM, Pugliano M, et al. Prediction of optimal warfarin maintenance dose using advanced artificial neural networks. Pharmacogenomics 2014; 15(1): 29-37. [PubMed]
20. Zhou Q, Kwong J, Chen J, et al. Use of artificial neural network to predict warfarin individualized dosage regime in Chinese patients receiving low-intensity anticoagulation after heart valve replacement. International journal of cardiology 2014; 176(3): 1462-1464. [DOI]
21. Isma'eel HA, Sakr GE, Habib RH, et al. Improved accuracy of anticoagulant dose prediction using a pharmacogenetic and artificial neural network-based method. European journal of clinical pharmacology 2014; 70(3): 265-273. [DOI]
22. Saleh MI, Alzubiedi S. Dosage Individualization of Warfarin Using Artificial Neural Networks. Molecular Diagnosis & Therapy 2014; 18(3): 371-379. [DOI]
23. Pavani A, Naushad SM, Kumar RM, et al. Artificial neural network-based pharmacogenomic algorithm for warfarin dose optimization. Pharmacogenomics 2016; 17(2): 121-131. [DOI]
24. Tao Y, Xiang D, Zhang Y, et al. Swarm ANN/SVR-based modeling method for warfarin dose prediction in Chinese. InInternational Conference on Swarm Intelligence 2017 (pp. 351-358). Cham: Springer International Publishing. [Article]
25. Tao H, Li Q, Zhou Q, et al. A prediction study of warfarin individual stable dose after mechanical heart valve replacement: adaptive neural-fuzzy inference system prediction. BMC Surgery 2018; 18(1): 10. [DOI]
26. Li Q, Wang J, Tao H, et al. The prediction model of warfarin individual maintenance dose for patients undergoing heart valve replacement, based on the back propagation neural network. Clinical Drug Investigation 2020; 40(1): 41-53. [DOI]
27. Ma W, Li H, Dong L, et al. Warfarin maintenance dose prediction for Chinese after heart valve replacement by a feedforward neural network with equal stratified sampling. Scientific Reports 2021; 11(1): 13778. [DOI]
28. Lee H, Kim HJ, Chang HW, et al. Development of a system to support warfarin dose decisions using deep neural networks. Scientific Reports 2021; 11(1): 14745. [DOI]
29. Jamali N, Razavi H, Gharib MR. Optimization of Propofol Dose Estimated During Anesthesia Through Artificial Intelligence by Genetic Algorithm: Design and Clinical Assessment. Neural Processing Letters 2022; 54(4): 3019-3043. [DOI]
30. Gu ZC, Huang SR, Dong L, et al. An Adapted Neural-Fuzzy Inference System Model Using Preprocessed Balance Data to Improve the Predictive Accuracy of Warfarin Maintenance Dosing in Patients After Heart Valve Replacement. Cardiovasc Drugs Ther 2021; 36(5): 879-889. [DOI]
31. Jahmunah V, Chen S, Lih Oh SL, et al. Automated warfarin dose prediction for Asian, American, and Caucasian populations using a deep neural network. Computers in Biology and Medicine 2023; 153. [DOI]
32. Liu Y, Yu Z, Ye X, et al. Personalized venlafaxine dose prediction using artificial intelligence technology: a retrospective analysis based on real-world da-ta. International journal of clinical pharmacy 2024; 46(4): 926-936. [DOI]
33. Hu Z, Pan G, Wang X, et al. Intelligent algorithm based on deep learning to predict the dosage for anesthesia: A study on prediction of drug efficacy based on deep learning. Health science reports 2024; 7(5): e2113. [DOI]
34. Mohan M, Thiyagu T. Predicting Customer Purchases with TabNet: A Deep Learning Approach to Consumer Behaviour. 2025 8th International Conference on Computing Methodologies and Communication (ICCMC); Erode, India, 2025: 1915-1919. [DOI]
35. Raghuvanshi KP. A systematic literature review on the role of LSTM networks in capturing temporal dependencies in data mining algorithms. International Journal for Research in Applied Science and Engineering Technology 2024; 12(10): 1219-1224. [DOI]
36. Robeson SM, Willmott CJ. Decomposition of the mean absolute error (MAE) into systematic and unsystematic components. Plos one 2023; 18(2): e0279774. [DOI]
37. Park SH, Cha WC. Application strategies for artificial intelligence–based clinical decision support system: From the simulation to the real-world. Healthcare Informatics Research 2022; 28(3): 185-187. [DOI]
38. Ramspek CL, Jager KJ, Dekker FW, et al. External validation of prognostic models: what, why, how, when and where? Clinical Kidney Journal 2021; 14(1): 49-58. [DOI]
39. Shah RU, Bress AP, Vickers AJ. Do prediction models do more harm than good? Circulation. Cardio-vascular Quality and Outcomes 2022; 15(4): e008667. [DOI]
40. Li Q, Tao H, Wang J, et al. Warfarin maintenance dose Prediction for Patients undergoing heart valve replacement - A hybrid model with genetic algorithm and Back-Propagation neural network. Scientific Reports 2018; 8(1): 9712. [DOI]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
