🧠 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