ارزیابی معیارهای قابلیت اطمینان سیستمهای هوش مصنوعی در حوزه سلامت: یک رویکرد SEM_FCM | ||
| چشمانداز مدیریت صنعتی | ||
| دوره 16، شماره 1 - شماره پیاپی 61، بهار 1405، صفحه 77-102 اصل مقاله (1.85 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.48308/jimp.16.1.77 | ||
| نویسندگان | ||
| مرتضی همتی آسیابرکی1؛ ناصر صفایی* 2 | ||
| 1دانشجوی دکتری، گروه مهندسی صنایع، دانشکده مهندسی صنایع، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران. | ||
| 2استادیار، گروه مهندسی صنایع، دانشکده مهندسی صنایع، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران. | ||
| چکیده | ||
| مقدمه و اهداف: با پیشرفت فناوری در زمینههای علوم کامپیوتری و ظهور مفاهیمی همچون هوش مصنوعی، یادگیری ماشین و یادگیری عمیق، فرصتهای شگرفی برای تحقق آرمانشهری هوشمند فراهم شده است. یکی از کاربردهای حساس و مهم این فناوریها، استفاده از آنها در بخش سلامت است که از کنترل پیشینه پزشکی بیماران تا مشاوره دیجیتال و مدیریت دارو را شامل میشود. بااینحال، این ابزارهای پیشرفته به چالشهایی همچون دقت پایین در خروجیهای فرآیند تصمیمگیری مبتلا هستند. پژوهش حاضر به بررسی معیارهای ارزیابیکننده قابلیت اطمینان سیستمهای هوش مصنوعی در حوزه سلامت میپردازد و با استفاده از روش نقشه شناختی فازی (FCM)، مؤثرترین معیارها را شناسایی میکند. روشها: در این پژوهش، ابتدا معیارهای مرتبط با قابلیت اطمینان سیستمهای هوش مصنوعی از طریق مرور ادبیات و انجام مصاحبه با متخصصین حوزه سلامت استخراج و شناسایی شدند. سپس با استفاده از روش دلفی معیارهای حیاتی ارزیابی قابلیت اطمینان سیستمهای هوش مصنوعی در حوزه موردنظر حاصل گردید. در گام بعد مدلی علت و معلولی با توجه بهمرور ادبیات حوزه موردنظر ایجاد گردید. آنگاه برای اعتبارسنجی این مدل از روش معادلات ساختاری (SEM) استفاده گردید. در ادامه، روابط علت و معلولی با استفاده از ورودی مدل اعتبارسنجی شده از روش SEM و نظر خبرگان حوزه موردنظر به دست آمد و تأثیرات معیارهای شناساییشده بر یکدیگر با بهکارگیری روش FCM موردبررسی قرار گرفت. این روش به شناسایی روابط نهایی علت و معلولی میان معیارها و تعیین مؤثرترین و تأثیرپذیرترین معیارها کمک کرده و امکان تحلیل دقیقتری از قابلیت اطمینان سیستمهای هوش مصنوعی در حوزه سلامت را فراهم میآورد. بهمنظور جمعآوری دادهها، پرسشنامههای مختلفی (عبارتند از پرسشنامه طیف لیکرت (روشهای دلفی و SEM)، پرسشنامه AHP و پرسشنامه FCM طراحی و توزیع شد و نتایج بهدستآمده با نرمافزار SmartPLS مورد تحلیل قرار گرفتند. یافتهها: یافتههای پژوهش نشان میدهند که معیار "نظارت مستمر بر نتایج تولیدشده و تنظیم مجدد سیستم" بهعنوان مؤثرترین معیار در ارزیابی قابلیت اطمینان سیستمهای هوش مصنوعی در حوزه سلامت شناسایی شده است. علاوه بر این، معیار "استفاده از الگوریتمهای غیرقطعی" بهعنوان تأثیرپذیرترین معیار معرفی گردید. این نتایج تأکید میکنند که نظارت مداوم بر عملکرد سیستمهای هوش مصنوعی و نیاز به بهروزرسانیهای مستمر ازجمله اصول کلیدی در افزایش دقت و قابلیت اطمینان این سیستمها هستند. درمجموع، شش معیار حیاتی برای ارزیابی قابلیت اطمینان استخراج و ارزیابی شدند که شامل دادههای قابلاعتماد و همگن، رعایت امنیت و حریم خصوصی دادهها، بهروزرسانیهای هفتگی، استفاده از الگوریتمهای غیرقطعی، ایجاد ساختاری جهت ارزیابی تصمیمات از سوی ذینفعان و نظارت مستمر بر نتایج تولید شده بود. نتیجهگیری: پژوهش حاضر بهطور جامع به بررسی قابلیت اطمینان سیستمهای هوش مصنوعی در حوزه سلامت پرداخته و نشان میدهد که برای بهبود دقت و قابلیت اطمینان این سیستمها، نیاز به نظارت مستمر و بهروزرسانیهای منظم وجود دارد. همچنین، توجه به امنیت و حریم خصوصی دادهها در طراحی و پیادهسازی این سیستمها از اهمیت ویژهای برخوردار است. با توجه به چالشهای موجود، این پژوهش میتواند بهعنوان یک راهنما برای توسعهدهندگان سیستمهای هوش مصنوعی در حوزه سلامت عمل کند و به آنها کمک کند تا با در نظر گرفتن معیارهای شناساییشده، سیستمهای مطمئنتری طراحی کنند. این تحقیق همچنین میتواند به بهبود کیفیت خدمات پزشکی و افزایش اعتماد بیماران به سیستمهای هوش مصنوعی کمک کند. درنهایت، استفاده از روشهای نوین و توجه به مؤلفههای کلیدی در طراحی و توسعه این سیستمها، میتواند به پیشرفت و تحول در ارائه خدمات بهداشتی و درمانی منجر شود. | ||
| کلیدواژهها | ||
| هوش مصنوعی؛ قابلیت اطمینان؛ حوزه سلامت؛ پزشکی دقیق؛ نقشه شناختی فازی | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 701 تعداد دریافت فایل اصل مقاله: 367 |
||
| تعداد نشریات | 41 |
| تعداد شمارهها | 1,610 |
| تعداد مقالات | 14,141 |
| تعداد مشاهده مقاله | 97,691,854 |
| تعداد دریافت فایل اصل مقاله | 62,354,973 |