Artificial intelligence-assisted perioperative risk prediction, decision support, and supervised automation in anesthesia: A narrative review.

چکیده اصلی

Artificial intelligence is increasingly being investigated as a tool for supporting personalized perioperative care. This narrative review, guided by the Scale for the Assessment of Narrative Review Articles principles, examines clinically relevant applications of artificial intelligence and related automation in anesthesiology, with emphasis on three linked functions: risk prediction, clinical decision support, and supervised automation. We performed a structured search of PubMed, Web of Science, and Scopus databases and identified English-language literature published from January 2010 through June 2026. We prioritized clinical studies, guidelines, systematic reviews, and representative methodological studies. A central distinction of this review is that machine-learning prediction, rule-based decision support, conventional feedback control, and genuinely adaptive artificial intelligence-enabled control are not treated as equivalent technologies. Current evidence is strongest for selected prediction tasks and supervised systems that improve process measures such as time within a physiological target range. However, evidence that these technologies improve patient-centered outcomes remains less consistent. Model discrimination alone is insufficient; calibration, actionable thresholds, false-positive burden, external validation, clinical utility, dataset shift, missing data, and workflow consequences must also be considered. The proposed three-level framework is intended to provide anesthesiologists and perioperative teams with a practical way to connect technical capability with bedside action. Near-term implementation should prioritize interpretable prediction and low-burden decision support, whereas closed-loop systems should remain under clinician supervision. Future studies should emphasize prospective multicenter validation, clinically meaningful endpoints, transparent reporting, and post-deployment monitoring rather than technical performance alone.

ترجمه فارسی چکیده

هوش مصنوعی به عنوان ابزاری برای حمایت از مراقبت‌های شخصی‌سازی‌شده دوران عمل، به طور فزاینده‌ای مورد بررسی قرار می‌گیرد. این مرور روایی، با رعایت اصول مقیاس ارزیابی مرورهای روایی، کاربردهای clinically relevant هوش مصنوعی و اتوماسیون مرتبط در بیهوشی را بررسی می‌کند، با تأکید بر سه تابع مرتبط: پیش‌بینی ریسک، پشتیبانی تصمیم بالینی و اتوماسیون نظارت‌شده. ما جستجوی ساختاریافته‌ای در پایگاه‌های داده PubMed، Web of Science و Scopus انجام دادیم و ادبیات زبان انگلیسی منتشر شده از ژانویه ۲۰۱۰ تا ژوئن ۲۰۲۶ را شناسایی کردیم. ما مطالعات بالینی، راهنماها، مرورهای سیستماتیک و مطالعات روش‌شناختی نماینده را اولویت دادیم. یک تمایز اصلی این مرور این است که پیش‌بینی یادگیری ماشین، پشتیبانی تصمیم مبتنی بر قوانین، کنترل بازخورد متداول و کنترل واقعاً سازگار مبتنی بر هوش مصنوعی به عنوان فناوری‌های معادل در نظر گرفته نمی‌شوند. شواهد فعلی قوی‌ترین است برای وظایف پیش‌بینی انتخابی و سیستم‌های نظارت‌شده که شاخص‌های فرآیند مانند زمان در محدوده هدف فیزیولوژیک را بهبود می‌بخشند. با این حال، شواهدی که این فناوری‌ها شاخص‌های متمرکز بر بیمار را بهبود می‌دهند کمتر یکنواخت است. تشخیص مدل به تنهایی کافی نیست؛ تنظیم مجدد، آستانه‌های قابل اقدام، بار مثبت کاذب، اعتبارسنجی خارجی، کاربرد بالینی، تغییر مجموعه داده، داده‌های گمشده و پیامدهای جریان کار نیز باید در نظر گرفته شوند. چارچوب سه سطحی پیشنهادی قصد دارد به جراحان بیهوشی و تیم‌های دوران عمل، راهی عملی برای اتصال توانایی فنی به اقدام در نزدیکی بیمار بدهد. پیاده‌سازی کوتاه‌مدت باید بر پیش‌بینی قابل تفسیر و پشتیبانی تصمیم با بار کم اولویت دهد، در حالی که سیستم‌های حلقه بسته باید تحت نظارت پزشک باقی بمانند. مطالعات آینده باید بر اعتبارسنجی چندمرکزه آینده‌نگرانه، نقاط پایانی معنادار بالینی، گزارش‌سازی شفاف و نظارت پس از پیاده‌سازی تاکید کنند تا به جای عملکرد فنی به تنهایی.

متن کامل اصلی