Feyz Medical Sciences Journal

fa کاربرد هوش مصنوعی در پیش‌بینی مقاومت آنتی‌بیوتیکی در نمونه‌های بالینی: یک مرور روایی Application of Artificial Intelligence in Predicting Antibiotic Resistance in Clinical Samples: A Narrative Review medicine, paraclinic medicine, paraclinic مروري Review زمینه و هدف: مقاومت آنتی‌بیوتیکی یکی از مهم‌ترین چالش‌های سلامت عمومی در سراسر جهان است که موجب افزایش شکست درمان، طول مدت بستری، هزینه‌های درمان و مرگ‌ومیر می‌شود. در سال‌های اخیر، هوش مصنوعی، به‌ویژه الگوریتم‌های یادگیری ماشین، به‌عنوان ابزاری نوین برای شناسایی و پیش‌بینی مقاومت آنتی‌بیوتیکی و حمایت از تصمیم‌گیری بالینی مورد توجه قرار گرفته است. این مطالعه با هدف مرور شواهد موجود درباره کاربرد هوش مصنوعی در شناسایی، پیش‌بینی و پایش مقاومت آنتی‌بیوتیکی انجام شد. روش مطالعه: این مطالعه به‌صورت مرور روایی انجام شد. جستجوی مقالات در پایگاه‌های اطلاعاتی PubMed،Scopus  و Google  Scholar  با استفاده از کلیدواژه‌های Artificial Intelligence،Antibiotic Resistance  و Bacterial Resistance انجام شد. مقالات منتشرشده در بازه زمانی 2014 تا 2026 بررسی شدند و مطالعات مرتبط با کاربرد هوش مصنوعی در شناسایی، تشخیص، پیش‌بینی و پایش مقاومت آنتی‌بیوتیکی وارد مطالعه شدند. یافته‌ها: بررسی مطالعات نشان داد که روش‌ها و ابزارهای مختلف هوش مصنوعی، از جمله یادگیری ماشین، یادگیری عمیق، شبکه‌های عصبی کانولوشنی و شبکه‌های عصبی گراف، در شناسایی ژن‌ها و نشانگرهای مقاومت، پیش‌بینی الگوهای مقاومت، تشخیص سریع مقاومت و پایش روندهای مقاومت آنتی‌بیوتیکی کاربرد دارند. این روش‌ها با استفاده از داده‌های ژنومی، متاژنومیک، آزمایشگاهی، مولکولی و بالینی، قابلیت شناسایی الگوهای مرتبط با مقاومت و حمایت از تصمیم‌گیری در مدیریت عفونت‌های مقاوم را نشان داده‌اند. با این حال، ناهمگونی داده‌ها، تفاوت در روش‌های آزمایشگاهی، محدود بودن داده‌های استاندارد، تفسیرپذیری پایین برخی مدل‌ها و کمبود مطالعات اعتبارسنجی خارجی از مهم‌ترین چالش‌های گزارش‌شده هستند. نتیجه‌گیری: هوش مصنوعی ظرفیت بالایی برای کمک به شناسایی، پیش‌بینی و پایش مقاومت آنتی‌بیوتیکی و پشتیبانی از تصمیم‌گیری درمانی دارد، اما در حال حاضر جایگزین روش‌های استاندارد آزمایشگاهی نیست. توسعه پایگاه‌های داده استاندارد، انجام مطالعات چندمرکزی و اعتبارسنجی خارجی مدل‌ها برای افزایش قابلیت کاربرد بالینی این فناوری ضروری است. <div style="text-align: left;"></div>   Background and Objective: Antibiotic resistance is one of the major global public health challenges, contributing to treatment failure, prolonged hospitalization, increased healthcare costs, and mortality. In recent years, artificial intelligence (AI), particularly machine learning algorithms, has emerged as a novel approach for the identification and prediction of antibiotic resistance and for supporting clinical decision-making. This study aimed to review the available evidence on the applications of AI in the identification, prediction, and surveillance of antibiotic resistance. Methods: This study was conducted as a narrative review. A literature search was performed in the PubMed, Scopus, and Google Scholar databases using the keywords Artificial Intelligence, Antibiotic Resistance, and Bacterial Resistance. Articles published between 2014 and 2026 were reviewed, and studies addressing the application of AI in the identification, diagnosis, prediction, and surveillance of antibiotic resistance were included. Results: The reviewed studies demonstrated that various AI-based methods and tools, including machine learning, deep learning, convolutional neural networks, and graph neural networks, have been applied to the identification of antibiotic resistance genes and markers, prediction of resistance patterns, rapid detection of resistance, and surveillance of antibiotic resistance trends. These approaches have utilized genomic, metagenomic, laboratory, molecular, and clinical data to identify resistance-associated patterns and support decision-making in the management of infections caused by resistant pathogens. However, data heterogeneity, differences in laboratory methods, limited availability of standardized datasets, low interpretability of some models, and a lack of external validation studies remain among the major reported challenges. Conclusion: Artificial intelligence has considerable potential to support the identification, prediction, and surveillance of antibiotic resistance and to facilitate therapeutic decision-making. However, it currently cannot replace standard laboratory methods. The development of standardized databases, multicenter studies, and external validation of AI models is essential to enhance the clinical applicability of these technologies. هوش مصنوعی, یادگیری ماشین, مقاومت آنتی‌بیوتیکی, مقاومت باکتریایی, میکروبیولوژی بالینی. Artificial intelligence, Machine learning, Antibiotic resistance, Bacterial resistance, Clinical microbiology. 0 0 http://feyz.kaums.ac.ir/browse.php?a_code=A-10-3206-3&slc_lang=fa&sid=1 Ghazaal Ataei غزال عطائی gh72ataei@gmail.com 2900319475328460054194 2900319475328460054194 No Islamic Azad University, Mashhad Branch دانشگاه آزاد اسلامی واحد مشهد Ehsan Shirzad احسان شیرزاد e71.shirzad@gmail.com 2900319475328460054195 0009-0005-9487-9873 No University of Birjand دانشگاه بیرجند Mahnaz Mohtashami مهناز محتشمی mahnazmohtashami@iau-neyshabur.ac.ir 2900319475328460054196 2900319475328460054196 Yes Neyshabur Branch, Islamic Azad University دانشگاه آزاد اسلامی واحد نیشابور