Iranian South Medical Journal

fa مقایسه عملکرد شبکه عصبی در پیش‌بینی دوز دارو: مروری نظامند Neural Network Performance in Drug Dose Prediction: A Systematic Review: A Systematic Review دارو و غذا medicine and food مروری Review <div style="text-align: justify;">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. </div> <div style="text-align: justify;">Background: The therapeutic efficacy of an agent should be balanced against its potential adverse effects. Accurate dosage is critical for successful treatment, yet even a correctly administered dose within a therapeutic regimen fan result in death. Recent years have witnessed the emergence of machine learning approaches in medicine, offering predictive and prescriptive capabilities regarding dosage optimization. These technologies have the potential to expand the potential of individualized prescription and decrease the incidence of prescription errors. Materials and Methods: The author conducted this systematic review, covering the years 2000 to 2025. Three major bibliographic databases were searched, and after duplicates were removed and irrelevant articles were screened out, the author included manuscripts published in English with valid methodologies that presented quantitative measures of algorithm performance. Data were extracted and analyzed, focusing on key characteristics of the algorithms under review, evaluation metrics (Accuracy, MAE, RMSE, R, and AUC), and the frequency of the algorithm use. Results: Out of 460 initially identified studies, 18 were included in the final analysis after screening. The results indicated that artificial neural networks and their advanced variants demonstrated satisfactory performance in drug dose prediction, particularly for drugs with a narrow therapeutic window such as warfarin. Evaluation metrics including MAE, RMSE, R², Accuracy, and AUC showed moderate to high predictive performance in most studies. However, the limited use of external validation and the absence of prospective clinical evaluations were identified as major limitations. Conclusion: The findings of this systematic review suggest that neural networks hold a substantial potential for improving the accuracy of drug dose prediction and enhancing treatment safety, especially for high-risk drugs with narrow therapeutic windows. However, the lack of external validation and prospective clinical assessments restricts their widespread clinical application. Conducting standardized clinical studies and developing more interpretable models may facilitate the practical implementation of these approaches in clinical settings.</div> شبکه عصبی, پیش‌بینی دارو, هوش مصنوعی, وارفارین Neural Network, Drug Dose Prediction, Artificial Intelligence, Warfarin 911 925 http://ismj.bpums.ac.ir/browse.php?a_code=A-10-1115-79&slc_lang=fa&sid=1 Kimia Zarooj Hosseini کیمیا زروج حسینی 5700319475328460019601 5700319475328460019601 No Department of Health Information Technology and Management, School of Allied Medical Sciences, Shahid Beheshti Universi-ty of Medical Sciences, Tehran, Iran گروه فناوری اطلاعات سلامت و مدیریت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران Hassan Emami حسن امامی haemami@sbmu.ac.ir 5700319475328460019602 5700319475328460019602 Yes Department of Health Information Technology and Management, School of Allied Medical Sciences, Shahid Beheshti Universi-ty of Medical Sciences, Tehran, Iran گروه فناوری اطلاعات سلامت و مدیریت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران Elham Nazari الهام نظری 5700319475328460019603 5700319475328460019603 No Department of Health Information Technology and Management, School of Allied Medical Sciences, Shahid Beheshti Universi-ty of Medical Sciences, Tehran, Iran گروه فناوری اطلاعات سلامت و مدیریت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران Amin Golabpour امین گلاب پور 5700319475328460019604 5700319475328460019604 No Department of Health Informatics Technology, School of Allied Medical Sciences, Shahroud University of Medical Sciences, Shahroud, Iran گروه فناوری اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی شاهرود، شاهرود، ایران