دوره 13، شماره 3 - ( 7-1404 )
جلد 13 شماره 3 صفحات 92-78 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Hosseiniravandi M, Sheykhotayefeh M, Khodaveisi T. Mobile health in the management of chronic care: A new era with the advent of generative Artificial Intelligence. jmsthums 2025; 13 (3) :78-92
URL: http://jms.thums.ac.ir/article-1-1427-fa.html
URL: http://jms.thums.ac.ir/article-1-1427-fa.html
حسینی‌روندی محمد، شیخ‌الطایفه مصطفی، خداویسی طالب. سلامت همراه در مدیریت مراقبت‌های مزمن: عصری جدید با ظهور هوش مصنوعی مولد. مجله دانشگاه علوم پزشکی تربت حیدریه. 1404; 13 (3) :78-92
1- گروه فناوری اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تربت‌حیدریه، تربت‌حیدریه، ایران
2- گروه فناوری اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی همدان، همدان، ایران
2- گروه فناوری اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی همدان، همدان، ایران
چکیده: (23 مشاهده)
زمینه و هدف: برخلاف مدل‌های تمایزی هوش مصنوعی، مدل‌های مولد توانایی خلق نمونه‌ها و پاسخ‌های خلاقانه را دارند که این ویژگی می‌تواند آغازگر دوره‌های جدید در زمینه سلامت همراه باشد و بطور قابل‌توجهی قابلیت‌های مدیریت بیماری‌های مزمن را ارتقاء دهد. هدف این پژوهش بررسی تأثیر ظهور هوش مصنوعی مولد در حوزه سلامت همراه با تمرکز بر وضعیت کنونی و چالش‌های موجود است.
روش ها: پژوهش حاضر بصورت مطالعه مروری نقلی با جستجو در پایگاه‌های اطلاعاتی PubMed، Scopus و GoogleScholar در بازه زمانی سال‌های ۲۰۱۹ الی ۲۰۲۴ میلادی و با استفاده از ترکیب واژه‌های مرتبط با سه مفهوم سلامت همراه، بیماری‌های مزمن و هوش مصنوعی مولد مطابق با استانداردهای جستجو برای هر پایگاه داده انجام شد. معیارهای ورود در این مطالعه شامل مقالاتی به زبان انگلیسی، با جمعیت هدف افراد بالای ۱۸ سال و تمرکز بر بررسی عملکرد هوش مصنوعی مولد در مدیریت بیماری‌های مزمن در حوزه سلامت همراه بود.
نتایج: از مجموع ۱۲۶۸ مقاله یافت شده، ۳۹ مقاله مرتبط انتخاب و تحلیل شدند. نتایج نشان می‌دهد که ادغام هوش مصنوعی مولد در سلامت همراه به تشخیص زودهنگام بیماری کمک کرده و بیماران را با ابزارهای خودمدیریتی پیشرفته و دسترسی بهتر به منابع بهداشتی توانمند ساخته است. همچنین، این رویکردها مزایایی همچون مقرون به صرفه بودن، کاهش هزینه‌های مراقبتی و افزایش دسترسی به خدمات سلامت، به ویژه در جمعیت‌های محروم، دارند. با این وجود، چالش‌هایی نظیر نگرانی‌های مربوط به حریم خصوصی داده‌ها، سوگیری الگوریتمی، عدالت در توزیع مزایا، مسائل اخلاقی و پیچیدگی‌های فناوری نیز وجود دارد.
نتیجه گیری: هوش مصنوعی مولد در سلامت همراه برای بهبود مدیریت بیماری‌های مزمن اهمیت بالایی دارد و نیازمند پژوهش‌های مستمر و همکاری نزدیک بین ارائه‌دهندگان خدمات بهداشتی، فناوران و نهادهای نظارتی است. ارتقاء کیفیت مراقبت و سلامت بیماران منوط به رفع چالش‌ها و موانع موجود پیشرو است.
روش ها: پژوهش حاضر بصورت مطالعه مروری نقلی با جستجو در پایگاه‌های اطلاعاتی PubMed، Scopus و GoogleScholar در بازه زمانی سال‌های ۲۰۱۹ الی ۲۰۲۴ میلادی و با استفاده از ترکیب واژه‌های مرتبط با سه مفهوم سلامت همراه، بیماری‌های مزمن و هوش مصنوعی مولد مطابق با استانداردهای جستجو برای هر پایگاه داده انجام شد. معیارهای ورود در این مطالعه شامل مقالاتی به زبان انگلیسی، با جمعیت هدف افراد بالای ۱۸ سال و تمرکز بر بررسی عملکرد هوش مصنوعی مولد در مدیریت بیماری‌های مزمن در حوزه سلامت همراه بود.
نتایج: از مجموع ۱۲۶۸ مقاله یافت شده، ۳۹ مقاله مرتبط انتخاب و تحلیل شدند. نتایج نشان می‌دهد که ادغام هوش مصنوعی مولد در سلامت همراه به تشخیص زودهنگام بیماری کمک کرده و بیماران را با ابزارهای خودمدیریتی پیشرفته و دسترسی بهتر به منابع بهداشتی توانمند ساخته است. همچنین، این رویکردها مزایایی همچون مقرون به صرفه بودن، کاهش هزینه‌های مراقبتی و افزایش دسترسی به خدمات سلامت، به ویژه در جمعیت‌های محروم، دارند. با این وجود، چالش‌هایی نظیر نگرانی‌های مربوط به حریم خصوصی داده‌ها، سوگیری الگوریتمی، عدالت در توزیع مزایا، مسائل اخلاقی و پیچیدگی‌های فناوری نیز وجود دارد.
نتیجه گیری: هوش مصنوعی مولد در سلامت همراه برای بهبود مدیریت بیماری‌های مزمن اهمیت بالایی دارد و نیازمند پژوهش‌های مستمر و همکاری نزدیک بین ارائه‌دهندگان خدمات بهداشتی، فناوران و نهادهای نظارتی است. ارتقاء کیفیت مراقبت و سلامت بیماران منوط به رفع چالش‌ها و موانع موجود پیشرو است.
فهرست منابع
1. Hosseiniravandi M, Kahlaee AH, Karim H, Ghamkhar L, Safdari R. Home-based telerehabilitation software systems for remote supervising: a systematic review. International journal of technology assessment in health care. 2020;36(2):113-25. [DOI:10.1017/S0266462320000021]
2. Bhatt P, Liu J, Gong Y, Wang J, Guo Y. Emerging artificial intelligence-empowered mhealth: scoping review. JMIR mHealth uHealth. 2022;10(6):e35053. [DOI:10.2196/35053]
3. Khodaveisi T, Sadoughi F, Novin K, Hosseiniravandi M, Dehnad AJFO. Development and evaluation of a teleoncology system for breast cancer during the COVID-19 pandemic. 2022;18(12):1437-48. [DOI:10.2217/fon-2021-0822]
4. Yu L, Zhai X. Ethical and Regulatory Challenges of Generative Artificial Intelligence in Healthcare: A Chinese Perspective. Journal of Clinical Nursing. 2024. [DOI:10.1111/jocn.17493]
5. Garavand A, Khodaveisi T, Aslani N, Hosseiniravandi M, Shams R, Behmanesh AJH, et al. Telemedicine in cancer care during COVID-19 pandemic: A systematic mapping study. 2023;13(4):665-78. [DOI:10.1007/s12553-023-00762-2]
6. Almutairi N, Vlahu-Gjorgievska E, Win KTJIfH, Care S. Persuasive features for patient engagement through mHealth applications in managing chronic conditions: A systematic literature review and meta-analysis. 2023;48(3):267-91. [DOI:10.1080/17538157.2023.2165083]
7. Blanchard M, Venerito V, Ming Azevedo P, Hügle T. Generative AI-based knowledge graphs for the illustration and development of mHealth self-management content. Frontiers in digital health. 2024;6:1466211. [DOI:10.3389/fdgth.2024.1466211]
8. Deniz-Garcia A, Fabelo H, Rodriguez-Almeida AJ, Zamora-Zamorano G, Castro-Fernandez M, Alberiche Ruano MdP, et al. Quality, usability, and effectiveness of mHealth apps and the role of artificial intelligence: current scenario and challenges. Journal of Medical Internet Research. 2023;25:e44030. [DOI:10.2196/44030]
9. Ghebrehiwet I, Zaki N, Damseh R, Mohamad MSJAIR. Revolutionizing personalized medicine with generative AI: a systematic review. 2024;57(5):128. [DOI:10.1007/s10462-024-10768-5]
10. Agnihothri S, Cui L, Delasay M, Rajan B. The value of mHealth for managing chronic conditions. Journal of Health care management Science. 2020;23:185-202. [DOI:10.1007/s10729-018-9458-2]
11. Ronge R, Maier M, Rathgeber BJP, Technology. Towards a definition of Generative artificial intelligence. 2025;38(1):31. [DOI:10.1007/s13347-025-00863-y]
12. Bakas S, Akbari H, Sotiras A, Bilello M, Rozycki M, Kirby JS, et al. Advancing the cancer genome atlas glioma MRI collections with expert segmentation labels and radiomic features. 2017;4(1):1-13. [DOI:10.1038/sdata.2017.117]
13. Liew S-L, Anglin JM, Banks NW, Sondag M, Ito KL, Kim H, et al. A large, open source dataset of stroke anatomical brain images and manual lesion segmentations. 2018;5(1):1-11. [DOI:10.1038/sdata.2018.11]
14. Mennella C, Maniscalco U, De Pietro G, Esposito M. Ethical and regulatory challenges of AI technologies in healthcare: A narrative review. Heliyon. 2024;10(4). [DOI:10.1016/j.heliyon.2024.e26297]
15. Fleurence RL, Bian J, Wang X, Xu H, Dawoud D, Higashi M, et al. Generative Artificial Intelligence for Health Technology Assessment: Opportunities, Challenges, and Policy Considerations: An ISPOR Working Group Report. Value Health. 2025;28(2):175-83. [DOI:10.1016/j.jval.2024.10.3846]
16. Yaraghi N. Generative AI In health care: opportunities, challenges, and policy. Journal of Health Affairs Forefront. 2024.
17. Sai S, Gaur A, Sai R, Chamola V, Guizani M, Rodrigues JJPC. Generative ai for transformative healthcare: A comprehensive study of emerging models, applications, case studies and limitations. IEEE Access. 2024;12:31078-106. [DOI:10.1109/ACCESS.2024.3367715]
18. Prathomwong P, Singsuriya P. Ethical framework of digital technology, artificial intelligence, and health equity. Asia Social Issues. 2022;15(5):252136-. [DOI:10.48048/asi.2022.252136]
19. Ahmadi A. Digital health transformation: leveraging ai for monitoring and disease management. International Journal of BioLife Sciences. 2024;3(1):10-24.
20. Danda RR, Dileep V. Leveraging AI and Machine Learning for Enhanced Preventive Care and Chronic Disease Management in Health Insurance Plans. Frontiers in Health Informatics. 2024;13(3):6878-91.
21. Subramanian M, Wojtusciszyn A, Favre L, Boughorbel S, Shan J, Letaief KB, et al. Precision medicine in the era of artificial intelligence: implications in chronic disease management. Journal of translational medicine. 2020;18:1-12. [DOI:10.1186/s12967-020-02658-5]
22. Tun ZY. Empowering human health with wearables: exploring the feasibility and efficacy of AI-powered health mentoring systems. 2024.
23. Arefin S. Chronic disease management through an ai-powered application. Journal of Service Science Management. 2024;17(4):305-20. [DOI:10.4236/jssm.2024.174015]
24. Hamine S, Gerth-Guyette E, Faulx D, Green BB, Ginsburg AS. Impact of mHealth chronic disease management on treatment adherence and patient outcomes: a systematic review. Journal of medical Internet research. 2015;17(2):e52. [DOI:10.2196/jmir.3951]
25. Triantafyllidis A, Kondylakis H, Votis K, Tzovaras D, Maglaveras N, Rahimi K. Features, outcomes, and challenges in mobile health interventions for patients living with chronic diseases: A review of systematic reviews. International journal of medical informatics. 2019;132:103984. [DOI:10.1016/j.ijmedinf.2019.103984]
26. Dankwa-Mullan I. Health equity and ethical considerations in using artificial intelligence in public health and medicine. Preventing chronic disease. 2024;21:E64. [DOI:10.5888/pcd21.240245]
27. Deo RC. Artificial intelligence and health equity: opportunities and obstacles. Journal of the American College of Cardiology (JACC): Advances. 2024;3(9_Part_2):101045. [DOI:10.1016/j.jacadv.2024.101045]
28. Sun Y, Ortiz J. Rapid Review of Generative AI in Smart Medical Applications. International Journal of Computer Science and Information Technology. 2024;3(2):80-93. [DOI:10.62051/ijcsit.v3n2.10]
29. Manoj R, Nandhini G, editors. A Comprehensive Investigation on Leveraging Generative AI and Large Language Models in the Healthcare Domain. 2024 IEEE 12th Region 10 Humanitarian Technology Conference (R10-HTC); 2024: IEEE. [DOI:10.1109/R10-HTC59322.2024.10778845]
30. LEE H-e, Jun Woo C, Sung Lyul P, KANG MS. A Study on the Development of a Chatbot Using Generative AI to Provide Diets for Diabetic Patients. Korean Journal of Artificial Intelligence. 2024;12(3):25-31.
31. Loh E. ChatGPT and generative AI chatbots: challenges and opportunities for science, medicine and medical leaders. Bmj Leader. 2023:leader-2023-000797. [DOI:10.1136/leader-2023-000797]
32. Aggarwal A, Tam CC, Wu D, Li X, Qiao S. Artificial intelligence-based chatbots for promoting health behavioral changes: systematic review. Journal of medical Internet research. 2023;25:e40789. [DOI:10.2196/40789]
33. Moulaei K, Yadegari A, Baharestani M, Farzanbakhsh S, Sabet B, Afrash MRJIJoMI. Generative artificial intelligence in healthcare: A scoping review on benefits, challenges and applications. 2024:105474. [DOI:10.1016/j.ijmedinf.2024.105474]
34. Abd-Alrazaq AA, Alajlani M, Alalwan AA, Bewick BM, Gardner P, Househ M. An overview of the features of chatbots in mental health: A scoping review. International journal of medical informatics. 2019;132:103978. [DOI:10.1016/j.ijmedinf.2019.103978]
35. Denecke K, Abd-Alrazaq A, Househ M, J. Artificial intelligence for chatbots in mental health: opportunities and challenges. 2021. p. 115-28. [DOI:10.1007/978-3-030-67303-1_10]
36. Bates M. Health care chatbots are here to help. Journal of IEEE pulse. 2019;10(3):12-4. [DOI:10.1109/MPULS.2019.2911816]
37. Hayward R. Generative artificial intelligence-driven healthcare systems in medical imaging analysis, in clinical decision support, and in patient engagement and monitoring. Contemporary Readings in Law Social Justice. 2023;15(1):63-80. [DOI:10.22381/CRLSJ15120234]
38. Karaferis D, Balaska D, Pollalis Y. Enhancement of patient engagement and healthcare delivery through the utilization of artificial intelligence (AI) technologies. Austin Journal of Clinical Medicine. 2024;9(2):1053. [DOI:10.26420/austinjclinmed.2024.1053]
39. Batra P, Dave DM. Revolutionizing healthcare platforms: The impact of AI on patient engagement and treatment efficacy. International Journal of Science Research. 2024;13(10.21275):613-24.
40. Abràmoff MD, Tarver ME, Loyo-Berrios N, Trujillo S, Char D, Obermeyer Z, et al. Considerations for addressing bias in artificial intelligence for health equity. 2023;6(1):170. [DOI:10.1038/s41746-023-00913-9]
41. Cross JL, Choma MA, Onofrey JAJPDH. Bias in medical AI: Implications for clinical decision-making. 2024;3(11):e0000651. [DOI:10.1371/journal.pdig.0000651]
42. Pool J, Indulska M, Sadiq S. Large language models and generative AI in telehealth: a responsible use lens. Journal of the American Medical Informatics Association. 2024;31(9):2125-36. [DOI:10.1093/jamia/ocae035]
43. Ferrara E. Fairness and bias in artificial intelligence: A brief survey of sources, impacts, and mitigation strategies. Sci. 2023;6(1):3. [DOI:10.3390/sci6010003]
44. Reddy S. Generative AI in healthcare: an implementation science informed translational path on application, integration and governance. Implementation Science. 2024;19(1):27. [DOI:10.1186/s13012-024-01357-9]
45. Templin T, Perez MW, Sylvia S, Leek J, Sinnott-Armstrong N. Addressing 6 challenges in generative AI for digital health: A scoping review. PLOS digital health. 2024;3(5):e0000503. [DOI:10.1371/journal.pdig.0000503]
46. Berdahl CT, Baker L, Mann S, Osoba O, Girosi FJJA. Strategies to improve the impact of artificial intelligence on health equity: scoping review. 2023;2:e42936. [DOI:10.2196/42936]
47. De Freitas J, Cohen IGJNm. The health risks of generative AI-based wellness apps. 2024;30(5):1269-75. [DOI:10.1038/s41591-024-02943-6]
48. Denecke K, Abd-Alrazaq A, Househ M. Artificial Intelligence for Chatbots in Mental Health: Opportunities and Challenges. In: Househ M, Borycki E, Kushniruk A, editors. Multiple Perspectives on Artificial Intelligence in Healthcare: Opportunities and Challenges. Cham: Springer International Publishing; 2021. p. 115-28. [DOI:10.1007/978-3-030-67303-1_10]
49. Palaniappan K, Lin EYT, Vogel S. Global Regulatory Frameworks for the Use of Artificial Intelligence (AI) in the Healthcare Services Sector. Healthcare (Basel). 2024;12(5). [DOI:10.3390/healthcare12050562]
50. Palaniappan K, Lin EYT, Vogel S, Lim JCW. Gaps in the Global Regulatory Frameworks for the Use of Artificial Intelligence (AI) in the Healthcare Services Sector and Key Recommendations. Healthcare (Basel). 2024;12(17). [DOI:10.3390/healthcare12171730]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 | این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
This work is licensed under a Creative Commons Attribution 4.0 International License.
Designed & Developed by : Yektaweb