🇮🇷 پژوهش ایرانی | هوش مصنوعی در سلامت هوش مصنوعی در تصویربرداری دندان و فک چقدر دقیق است؟ بررسی ۷۴ پژوهش توسط محققان ایرانی پژوهشگران دانشگاه علوم پزشکی شهید بهشتی، دانشگاه علوم پزشکی ارومیه، دانشگاه صنعتی امیرکبیر و چند مرکز دانشگاهی دیگر در ایران، در یک پژوهش مشترک عملکرد هوش مصنوعی را در تحلیل تصاویر سه‌بعدی دندان، فک و صورت بررسی کردند. 🔍 سؤال اصلی پژوهش چه بود؟ آیا هوش مصنوعی می‌تواند در شناسایی ضایعات، تشخیص ساختارهای آناتومیکی و تحلیل تصاویر سی‌بی‌سی‌تی (CBCT) به دندان‌پزشکان کمک کند؟CBCT نوعی تصویربرداری سه‌بعدی است که برای بررسی دقیق دندان‌ها، استخوان فک و ساختارهای اطراف آن‌ها استفاده می‌شود. 🔬 پژوهشگران چه کردند؟ پژوهشگران نتایج ۷۴ مطالعه منتشرشده درباره کاربرد یادگیری ماشین در تصاویر CBCT را گردآوری و با روش مرور نظام‌مند و فراتحلیل بررسی کردند. 📊 نتایج چه بود؟ ▪️ میانگین تجمیعی دقت مدل‌ها در مطالعات قابل ترکیب، ۸۸ درصد گزارش شد. ▪️ حساسیت تجمیعی ۹۵ درصد بود؛ یعنی مدل‌ها در شرایط مطالعات بررسی‌شده، توانایی بالایی در شناسایی موارد مثبت داشتند. ▪️ شاخص AUC نیز به ۰٫۹۳ رسید که نشان‌دهنده توانایی مناسب مدل‌ها در تفکیک گروه‌های مورد بررسی است. 💡 چرا این پژوهش مهم است؟ این مطالعه نشان می‌دهد هوش مصنوعی ظرفیت کمک به دندان‌پزشکان در تحلیل تصاویر سه‌بعدی را دارد، اما عملکرد خوب در پژوهش‌های آزمایشگاهی لزوماً به معنای آمادگی برای استفاده روزمره نیست. مشارکت دانشگاه‌های ایرانی در این فراتحلیل نیز به شناخت دقیق‌تر فرصت‌ها و محدودیت‌های هوش مصنوعی در دندان‌پزشکی کمک می‌کند. 📚 شناسنامه پژوهش پژوهشگران: عارف زارعی، حدیث ملک‌پور، مهیا نقی‌پور علمداری و همکاران مراکز همکار: دانشگاه‌های علوم پزشکی شهید بهشتی، ارومیه، اردبیل و تهران، دانشگاه صنعتی امیرکبیر و سایر مراکز دانشگاهی همکار نشریه: BMC Oral Health نوع پژوهش: مرور نظام‌مند و فراتحلیل وضعیت انتشار: داوری‌شده؛ نسخه پذیرفته‌شده با انتشار زودهنگام 🔗 مقاله اصلی: https://doi.org/10.1186/s12903-026-10316-3 #پژوهش_ایرانی #هوش_مصنوعی_در_سلامت #دندانپزشکی_دیجیتال #تصویربرداری_پزشکی #نورون نورون | هوش مصنوعی در سلامت رصد تحولات، فهم آینده سلامت 🍂@NeuronRC

🔬 پژوهش جدید | هوش مصنوعی در سلامت چرا اضافه‌کردن یک درس هوش مصنوعی به آموزش پزشکان کافی نیست؟ پژوهشگران دانشگاه مک‌مستر کانادا در مطالعه‌ای تازه نشان داده‌اند که آموزش هوش مصنوعی به پزشکان متخصص آینده، فقط به تدوین سرفصل‌های درسی جدید محدود نمی‌شود. این پژوهش که در نشریه BMC Medical Education منتشر شده، به موانعی پرداخته است که دانشگاه‌ها هنگام واردکردن هوش مصنوعی به دوره‌های دستیاری تخصصی پزشکی با آن روبه‌رو هستند. 🔍 پژوهشگران چه کردند؟ آن‌ها با ۱۲ پزشک فعال در حوزه هوش مصنوعی و آموزش پزشکی در آمریکای شمالی مصاحبه کردند تا مشکلات و نیازهای آموزشی را از نگاه متخصصان شناسایی کنند. 📊 چه نتایجی به دست آمد؟ پژوهشگران پنج چالش اصلی را شناسایی کردند: ▪️ تغییر سریع فناوری و نیاز به بازنگری مداوم محتوای آموزشی ▪️ آشنایی ناکافی برخی استادان با کاربردهای هوش مصنوعی ▪️ آماده‌نبودن زیرساخت‌ها و مقررات دانشگاهی ▪️ نبود استانداردهای آموزشی روشن و مورد توافق ▪️ نگرانی درباره تغییر نقش و مسئولیت حرفه‌ای پزشکان 💡 چرا این پژوهش مهم است؟ یافته‌ها نشان می‌دهد اضافه‌کردن یک واحد درسی هوش مصنوعی، بدون آموزش اعضای هیئت علمی و آماده‌سازی دانشگاه، کافی نیست. پژوهشگران پیشنهاد می‌کنند برنامه‌های آموزشی انعطاف‌پذیر باشند و استادان و دستیاران بتوانند بخشی از مهارت‌های جدید را در کنار یکدیگر یاد بگیرند. 🔗 مقاله اصلی: https://doi.org/10.1186/s12909-026-10684-y #هوش_مصنوعی_در_سلامت #آموزش_پزشکی #آموزش_هوش_مصنوعی #سلامت_دیجیتال #نورون نورون | هوش مصنوعی در سلامت رصد تحولات، فهم آینده سلامت 🍂@NeuronRC

🔬 پژوهش جدید | هوش مصنوعی در سلامت آیا استفاده طولانی از هوش مصنوعی با اضطراب و مشکلات خواب ارتباط دارد؟ پژوهشگران چینی در مطالعه‌ای روی ۱۸۸۲ دانشجوی پزشکی بررسی کردند که مدت استفاده از ابزارهای هوش مصنوعی مولد، مانند چت‌بات‌ها، چه ارتباطی با وضعیت روانی و کیفیت خواب دانشجویان دارد. 🔍 پژوهشگران به چه نتایجی رسیدند؟ ▪️ دانشجویانی که مدت بیشتری از هوش مصنوعی استفاده می‌کردند، در مقایسه با افراد کم‌مصرف یا غیرمصرف‌کننده، حدود دو برابر شانس بیشتری برای گزارش نشانه‌های اضطراب داشتند. ▪️ در این گروه، شانس گزارش دشواری در به‌خواب‌رفتن نیز حدود ۱٫۷ برابر بود. ▪️ استفاده طولانی‌تر با افزایش امتیاز نشانه‌های افسردگی ارتباط داشت، اما ارتباط معناداری با طبقه‌بندی نشانه‌های افسردگی مشاهده نشد. 🔗 مقاله اصلی: https://doi.org/10.1186/s12909-026-10747-0 #هوش_مصنوعی_در_سلامت #سلامت_روان #آموزش_پزشکی #هوش_مصنوعی_مولد #نورون نورون | هوش مصنوعی در سلامت رصد تحولات، فهم آینده سلامت 🍂@NeuronRC

🌍 حکمرانی هوش مصنوعی | هوش مصنوعی در سلامت نقشه راه هوش مصنوعی در سلامت تا سال ۲۰۳۳ با توافق ۵۳ کشور تصویب شد! سازمان جهانی بهداشت اعلام کرد کشورهای عضو منطقه اروپایی این سازمان، در نشست کپنهاگ، نخستین نقشه راه مشترک خود برای استفاده از هوش مصنوعی در نظام‌های سلامت را به‌اتفاق آرا تصویب کردند. این برنامه دوره ۲۰۲۶ تا ۲۰۳۳ را پوشش می‌دهد و هدف آن کمک به استفاده ایمن، مسئولانه و عادلانه از هوش مصنوعی در خدمات سلامت است. 🔍 چهار محور اصلی نقشه راه چیست؟ ▪️ حکمرانی و تعیین مسئولیت نهادهای نظارتی ▪️ تدوین چارچوب‌های قانونی، اخلاقی و ایمنی ▪️ تقویت زیرساخت‌های داده و امنیت سایبری ▪️ آموزش نیروی انسانی و ارزیابی کاربرد واقعی فناوری 💡 چرا این تصمیم مهم است؟ براساس گزارش سازمان جهانی بهداشت، بسیاری از کشورهای منطقه از هوش مصنوعی در تشخیص پزشکی استفاده می‌کنند، اما هنوز برای آموزش کارکنان، نظارت بر سامانه‌ها و تدوین مقررات اختصاصی آمادگی کافی ندارند. این نقشه راه قرار است به کاهش فاصله میان توسعه فناوری و آمادگی نظام سلامت کمک کند. 🔗 ادامه مطلب در سایت نورون 🔗 منبع رسمی سازمان جهانی بهداشت: https://www.who.int/europe/news/item/30-10-2026-member-states-of-the-who-european-region-adopt-new-plans-on-healthy-ageing-and-ai-in-health #هوش_مصنوعی_در_سلامت #سازمان_جهانی_بهداشت #حکمرانی_هوش_مصنوعی #سلامت_دیجیتال #نورون نورون | هوش مصنوعی در سلامت رصد تحولات، فهم آینده سلامت 🍂@NeuronRC

🧠 حکمرانی هوش مصنوعی | هوش مصنوعی در سلامت سازمان غذا و داروی امریکا برای نظارت بر هوش مصنوعی مولد پزشکی چه برنامه‌ای دارد؟ سازمان غذا و داروی آمریکا در سندی رسمی، روش‌های احتمالی ارزیابی تجهیزات پزشکی مبتنی بر هوش مصنوعی مولد را مطرح کرده است؛ از سنجش خطر پاسخ‌های اشتباه و آزمون عملکرد بالینی تا پایش سامانه پس از عرضه. این بررسی به هوش مصنوعی عامل‌محور نیز می‌پردازد؛ سامانه‌هایی که می‌توانند چند وظیفه را به‌صورت مستقل انجام دهند. 🔗 ادامه مطلب در سایت نورون #هوش_مصنوعی_در_سلامت #FDA #ایمنی_بیمار #نورون نورون | هوش مصنوعی در سلامت رصد تحولات، فهم آینده سلامت 🍂@NeuronRC

🎓 آموزش و توانمندسازی | هوش مصنوعی در سلامت آموزش هوش مصنوعی در پزشکی با پنج دوره دانشگاه استنفورد دانشگاه استنفورد مجموعه‌ای آموزشی با عنوان «هوش مصنوعی در سلامت» را در پلتفرم کورسرا ارائه می‌کند که برای پزشکان، دانشجویان علوم پزشکی، پژوهشگران و علاقه‌مندان فناوری طراحی شده است. 🔍 در این مجموعه چه می‌آموزید؟ ▪️ آشنایی با نظام سلامت و چالش‌های آن ▪️ شناخت و تحلیل داده‌های بالینی ▪️ مبانی یادگیری ماشین در پزشکی ▪️ ارزیابی عملکرد، ایمنی و اخلاق هوش مصنوعی ▪️ انجام پروژه کاربردی با داده‌های پزشکی 💡 ویژگی مهم این آموزش، ارتباط‌دادن مباحث فنی هوش مصنوعی با نیازهای واقعی محیط درمان است. این دوره‌ها مقدماتی، آنلاین و به زبان انگلیسی هستند. دسترسی کامل و دریافت گواهی تابع شرایط کورسراست و لزوماً رایگان نیست. 🔗 مشاهده دوره و ثبت‌نام: https://www.coursera.org/specializations/ai-healthcare #هوش_مصنوعی_در_سلامت #آموزش_هوش_مصنوعی نورون | هوش مصنوعی در سلامت رصد تحولات، فهم آینده سلامت 🍂@NeuronRC

🔬 پژوهش جدید | هوش مصنوعی در سلامت وقتی پیشنهاد تشخیصی مناسب، ایمنی درمان را تضمین نمی‌کند پژوهشگران مرکز پزشکی کودکان اشنایدر و دانشگاه تل‌آویو، عملکرد چت‌جی‌پی‌تی را در بررسی پرونده کودکان بدحال ارزیابی کردند. در این مطالعه مقدماتی، سهم پیشنهادهای درمانی مناسب از پیشنهادهای تشخیصی مناسب کمتر بود و برخی پیشنهادهای درمانی نیز بالقوه آسیب‌زا ارزیابی شدند. 🔍 سؤال اصلی پژوهش چه بود؟ آیا یک مدل زبانی بزرگ می‌تواند در مراحل اولیه رسیدگی به کودکان بدحال، پیشنهادهای تشخیصی و درمانی مناسب و ایمن ارائه دهد؟ 🔬 پژوهشگران چه کردند؟ در یک مطالعه گذشته‌نگر، اطلاعات ۲۰ کودک که از اورژانس در بخش مراقبت‌های ویژه اطفال بستری شده بودند، بررسی شد. پژوهشگران اطلاعات هر پرونده را در چهار مقطع زمانی به مدل چت‌جی‌پی‌تی ۴ دادند و پاسخ‌های آن را با مراقبت واقعی مقایسه کردند. پیشنهادها از نظر تناسب، ایمنی و موارد مهمِ جاافتاده ارزیابی شدند. 📊 نتایج چه بود؟ ▪️ در زمان ورود به اورژانس، ۹۴ درصد و هنگام پذیرش در مراقبت‌های ویژه، ۹۸ درصد از پیشنهادهای تشخیصی مناسب ارزیابی شدند. این اعداد به سهم پیشنهادهای مناسب اشاره دارند، نه درصد کودکانی که بیماری‌شان به‌درستی تشخیص داده شد. ▪️ در هر دو مقطع، ۸۲ درصد از پیشنهادهای درمانی مناسب ارزیابی شدند. ▪️ سهم پیشنهادهای درمانی بالقوه آسیب‌زا در اورژانس ۷ درصد و در مراقبت‌های ویژه ۱۰ درصد بود. 💡 چرا این پژوهش مهم است؟ یافته‌ها نشان می‌دهد ارزیابی یک ابزار هوش مصنوعی نباید به بررسی پیشنهادهای تشخیصی محدود شود. انتخاب اقدام درمانی، بررسی دارو و دوز آن و اطمینان از کامل بودن توصیه‌ها نیز به ارزیابی جداگانه و نظارت پزشک نیاز دارند. 📚 شناسنامه پژوهش مراکز همکار: مرکز پزشکی کودکان اشنایدر و دانشگاه تل‌آویو نشریه: European Journal of Pediatrics تاریخ انتشار آنلاین: ۱۴ نوامبر ۲۰۲۵ نوع پژوهش: مطالعه مقدماتی گذشته‌نگر وضعیت انتشار: مقاله منتشرشده در نشریه علمی 🔗 مقاله اصلی: https://doi.org/10.1007/s00431-025-06630-7 #هوش_مصنوعی_در_سلامت #پزشکی_کودکان #ایمنی_بیمار #پشتیبانی_تصمیم_بالینی #نورون نورون | هوش مصنوعی در سلامت رصد تحولات، فهم آینده سلامت 🍂@neuronrc