پیشبینی مبتنی بر هوش مصنوعی شدت بیماری و پاسخ به درمانهای بیولوژیک در بیماری التهابی روده با استفاده از دادههای تلفیقی بالینی، آندوسکوپی و زیستنشانگرها
کلمات کلیدی:
بیماری التهابی روده, هوش مصنوعی, یادگیری ماشین, درمان بیولوژیک, پزشکی دقیقچکیده
بیماری التهابی روده شامل بیماری کرون و کولیت اولسراتیو از جمله بیماریهای مزمن دستگاه گوارش است که با ناهمگونی قابل توجه در تظاهرات بالینی، روند پیشرفت بیماری، پاسخ به درمان و پیامدهای بلندمدت شناخته میشود. با وجود پیشرفتهای چشمگیر در درمانهای بیولوژیک، انتخاب راهبرد درمانی مناسب همچنان یکی از چالشهای اصلی متخصصان گوارش محسوب میشود؛ زیرا بیماران پاسخهای متفاوتی به درمان نشان میدهند و پیشبینی روند بیماری در بسیاری از موارد دشوار است. روشهای متداول ارزیابی بیماران عمدتاً بر شاخصهای منفرد بالینی، نتایج آندوسکوپی یا قضاوت بالینی پزشک متکی هستند و در نتیجه توان محدودی در شناسایی دقیق بیماران پرخطر دارند. ظهور فناوریهای هوش مصنوعی و یادگیری ماشین امکان تلفیق دادههای ناهمگون بالینی، آندوسکوپی و مولکولی را برای توسعه سامانههای پیشبینی کننده فراهم کرده است. در این پژوهش، یک چارچوب چندوجهی مبتنی بر هوش مصنوعی برای پیشبینی شدت بیماری و پاسخ به درمانهای بیولوژیک در بیماران مبتلا به بیماری التهابی روده ارائه شده است. این چارچوب با ترکیب دادههای بالینی، شاخصهای فعالیت آندوسکوپی، نشانگرهای آزمایشگاهی، بیومارکرهای التهابی و دادههای حاصل از رویکردهای چنداُمیکی، مدلهای یادگیری ماشین را به کار میگیرد تا الگوهای مرتبط با فعالیت بیماری و پاسخ درمانی را شناسایی کند. متغیرهای مورد استفاده شامل ویژگیهای جمعیتشناختی، مدت بیماری، سطوح پروتئین واکنشی C، غلظت کالپروتکتین مدفوعی، شاخصهای شدت آندوسکوپی، امضاهای میکروبیومی و سوابق درمانی بیماران است. عملکرد مدل با استفاده از معیارهایی شامل دقت، حساسیت، ویژگی، سطح زیر منحنی ROC و شاخصهای ارزش پیشبینی کننده ارزیابی شد. نتایج نشان داد مدلهای چندوجهی نسبت به مدلهای مبتنی بر یک منبع داده عملکرد برتری دارند و قادرند تعاملات پیچیده میان شاخصهای بالینی، آندوسکوپی و زیستی را بهتر شناسایی کنند. همچنین تحلیل اهمیت ویژگیها نشان داد که بیومارکرهای التهابی، شاخصهای شدت آندوسکوپی و متغیرهای مرتبط با میکروبیوم بیشترین سهم را در پیشبینی دقیق پیامدهای بالینی دارند. یافتهها نشان میدهد که هوش مصنوعی میتواند نقش مهمی در توسعه پزشکی دقیق در حوزه بیماریهای التهابی روده ایفا کند و با شناسایی زودهنگام بیماران پرخطر، بهینهسازی انتخاب درمانهای بیولوژیک، کاهش درمانهای غیرضروری و بهبود پیامدهای بلندمدت بیماران را تسهیل نماید. چارچوب پیشنهادی زمینه مناسبی برای توسعه سامانههای تصمیمیار بالینی مبتنی بر داده در مراقبتهای روزمره فراهم میکند.
مراجع
Nguyen NH, Singh S, Sandborn WJ. Machine learning in predicting outcomes in inflammatory bowel disease: A systematic review. Inflamm Bowel Dis. 2022;28(6):967-977.
Gubatan J, Levitte S, Patel A, Balabanis T, Sharma A, Sinha SR. Artificial intelligence applications in inflammatory bowel disease: Emerging technologies and future directions. World J Gastroenterol. 2021;27(17):1920-1935.
Pinton P. Impact of artificial intelligence on prognosis, shared decision-making, and precision medicine for patients with inflammatory bowel disease. Ann Med. 2023;55(1):2300670.
Cannarozzi AL, Latiano A, Massimino L, Bossa F, Giuliani F, Riva M, et al. Inflammatory bowel disease genomics, transcriptomics, proteomics and metagenomics meet artificial intelligence. United European Gastroenterol J. 2024;12(10):1461-1480.
Iacucci M, Santacroce G, Zammarchi I, Maeda Y, Del Amor R, Meseguer P, et al. Artificial intelligence and endo-histo-omics: New dimensions of precision endoscopy and histology in inflammatory bowel disease. Lancet Gastroenterol Hepatol. 2024;9(8):758-772.
Labarile N, Danese S, Verstockt B. Artificial Intelligence in Advancing Inflammatory Bowel Disease Care. Cancers (Basel). 2025;17(14):2337.
Liu ZG, Danese S, Parigi TL. Expanding the role of radiomics and artificial intelligence in inflammatory bowel disease. World J Gastroenterol. 2025;31(1):101069.
Rodríguez JLG, Fernández L, Pérez M, et al. Identifying key clinical and biochemical predictors of remission and response to vedolizumab and ustekinumab in inflammatory bowel disease using machine learning models. Sci Rep. 2025;15:25370.
Hou JK, Waljee AK, Cohen-Mekelburg S, et al. Using machine learning algorithms to optimize treatment with biologic agents in inflammatory bowel disease. JAMIA Open. 2025;8(6):ooaf162.
Sedano R, Danese S, Peyrin-Biroulet L. Artificial intelligence to revolutionize inflammatory bowel disease clinical trials. Aliment Pharmacol Ther. 2025;61(4):389-404.
D'Incà R, Sturniolo GC. Biomarkers in inflammatory bowel disease: What to utilize for diagnosis and monitoring? Diagnostics (Basel). 2023;13(18):2931.
Ning L, Zhou YL, Sun H, Zhang Y, Shen C, Wang Z, et al. Microbiome and metabolome features in inflammatory bowel disease via multi-omics integration analyses across cohorts. Nat Commun. 2023;14:7135.
Metwaly A, Reitmeier S, Haller D. Microbiome risk profiles as biomarkers for inflammatory and metabolic disorders. Nat Rev Gastroenterol Hepatol. 2022;19(6):383-397.
Krugliak Cleveland N, St-Pierre J, Kellar A, Rubin DT. Clinical application of intestinal ultrasound in inflammatory bowel disease. Curr Gastroenterol Rep. 2024;26(1):31-40.
Schreiber S, Verstockt B, Peyrin-Biroulet L. Rise of precision medicine: Can it deliver on its promise in inflammatory bowel disease? Gut. 2025;74(11):1938-1953.
دانلود
چاپ شده
شماره
نوع مقاله
مجوز
حق نشر 2026 مجله علمی مطالعات پژوهشی در علوم پایه و علوم پزشکی آینده
این پروژه تحت مجوز بین المللی Creative Commons Attribution 4.0 می باشد.
