مجله

---

مقدمه: دیابت یک مشکل جدی جهانی است و روش‌های پیش‌بینی و مدیریت آن اهمیت زیادی دارند. روش‌های تشخیصی مرسوم شامل آزمایش‌هایی مانند OGTT، FPG و HbA1c است. یادگیری ماشین می‌تواند دقت تشخیصی را بهبود بخشد، اما نیاز به بررسی گایدلاین‌های بالینی و عملکرد آن در مقایسه با روش‌های مرسوم وجود دارد.
روش‌ها: این مرور روایتی اثربخشی یادگیری ماشینی در تشخیص زودهنگام دیابت را بررسی می‌کند. مقالات براساس معیارهای مشخص انتخاب و از نظر طبقه‌بندی الگوریتم‌ها، شاخصهای خروجی، مشارکت متخصصان بالینی و شفافیت تحلیل شدند. معیارهایی مانند دقت، AUC، ویژگی و حساسیت برای ارزیابی عملکرد الگوریتم‌ها استفاده شدند. مقالات مرتبط برای مقایسه تشخیص پیش دیابت باهوش مصنوعی و روش‌های مرسوم بررسی شدند و گایدلاین‌های هر دو حوزه استخراج و مقایسه شدند.
یافته‌ها: تحلیل 41 مقاله نشان داد که الگوریتم‌های ANN، LR و DNN بیشترین استفاده را داشته‌اند. تنها 2 درصد مقالات از قوانین بالینی و حضور پزشکان استفاده کرده و 12 درصد از مقالات قابلیت تفسیر داشته‌اند. در روش‌های مرسوم از تست‌های HbA1c و FPG استفاده می‌شود، امّا هیچ گایدلاین بالینی برای هوش‌مصنوعی منتشر نشده است. الگوریتم‌های هوش مصنوعی در حساسیت و ویژگی به‌ترتیب 29 و 23 درصد بهتر عمل کردند.
نتیجه‌گیری: اگرچه هوش مصنوعی در تشخیص پیش‌دیابت عملکرد بهتری دارد، اما به‌دلیل مشکلاتی مانند عدم ارزیابی‌پذیری و نبود گایدلاین‌های بالینی، هنوز برای استفاده در بالین آماده نیست. با رفع این محدودیت‌ها، هوش مصنوعی می‌تواند به‌عنوان روشی کارآمدتر به‌کار رود.