مصنوعی (AI) تا چه اندازه می‌توانند بازیابی اسپرم را در بیماران مبتلا به آزواسپرمی غیرانسدادی (NOA) که تحت جراحی استخراج اسپرم بیضه با میکرودیسکشن (m-TESE) قرار می‌گیرند، پیش‌بینی کنند؟

‎پاسخ خلاصه: مدل‌های پیش‌بینی مبتنی بر هوش مصنوعی پتانسیل قابل توجهی در پیش‌بینی موفقیت بازیابی اسپرم در بیماران NOA تحت m-TESE دارند، اگرچه محدودیت‌هایی مانند تنوع طراحی مطالعات، حجم نمونه‌های کوچک و کمبود مطالعات اعتبارسنجی، باعث کاهش قابلیت تعمیم نتایج این مطالعات می‌شود.

‎آنچه پیش‌تر شناخته شده است: مطالعات قبلی عوامل مختلفی را به عنوان پیش‌بینی‌کننده موفقیت بازیابی اسپرم در m-TESE بررسی کرده‌اند، از جمله عوامل بالینی و هورمونی. اما تاکنون هیچ مدل پیش‌بینی ثابتی به‌طور گسترده پذیرفته نشده است.

‎طراحی، اندازه و مدت مطالعه: یک جستجوی جامع ادبیات با پیروی از دستورالعمل‌های PRISMA-ScR انجام شد که پایگاه‌های داده PubMed و Scopus را از سال ۲۰۱۳ تا ۱۵ مه ۲۰۲۴ پوشش داد. مطالعات مرتبط به زبان انگلیسی با استفاده از واژگان موضوعی پزشکی (MeSH) شناسایی شدند. همچنین از ویژگی‌های «مقالات مشابه» و «ارجاع شده توسط» در PubMed برای بررسی کامل‌تر منابع استفاده شد تا پوشش جامعی از ادبیات مرتبط حاصل شود.

‎شرکت‌کنندگان/مواد، مکان، روش‌ها: این مرور شامل مطالعاتی بود که در آنها بیماران مبتلا به NOA تحت بررسی قرار گرفتند و از مدل‌های مبتنی بر هوش مصنوعی برای پیش‌بینی نتایج m-TESE استفاده شده بود. این مدل‌ها داده‌های بالینی، سطوح هورمونی، ارزیابی‌های هیستوپاتولوژیک و پارامترهای ژنتیکی را در نظر گرفتند. تکنیک‌های مختلف یادگیری ماشین و یادگیری عمیق، از جمله رگرسیون لجستیک، به کار گرفته شدند. ابزار ارزیابی ریسک سوگیری مدل‌های پیش‌بینی (PROBAST) برای بررسی سوگیری در مطالعات استفاده شد و کیفیت مطالعات با استفاده از دستورالعمل‌های شفافیت گزارش مدل‌های چندمتغیره برای پیش‌آگهی یا تشخیص (TRIPOD) ارزیابی گردید تا استانداردهای گزارش‌دهی و روش‌شناسی قوی تضمین شود.

‎نتایج اصلی و نقش شانس: از میان ۴۲۷ مقاله بررسی شده، ۴۵ مقاله معیارهای ورود را داشتند که بیشتر آنها از رگرسیون لجستیک و یادگیری ماشین برای پیش‌بینی نتایج m-TESE استفاده کرده بودند. مدل‌های مبتنی بر هوش مصنوعی با ادغام عوامل بالینی، هورمونی و بیولوژیکی، پتانسیل قوی خود را نشان دادند. با این حال، محدودیت‌هایی مانند حجم نمونه کوچک، موانع قانونی و چالش‌های تعمیم‌پذیری و اعتبارسنجی وجود داشت. اگرچه برخی مطالعات طراحی‌های چندمرکزی و با حجم نمونه بزرگ‌تر داشتند، بسیاری از آنها با محدودیت حجم نمونه مواجه بودند. بیشتر مطالعات در انتخاب شرکت‌کنندگان و تعیین نتایج، ریسک سوگیری پایینی داشتند و دو سوم آنها در ارزیابی پیش‌بینی‌کننده‌ها نیز ریسک پایینی داشتند، اما روش‌های تحلیل متفاوت بود.

‎محدودیت‌ها و دلایل احتیاط: محدودیت‌های این مرور شامل ناهمگونی مطالعات وارد شده، احتمال سوگیری انتشار و اتکا به تنها دو پایگاه داده (PubMed و Scopus) است که ممکن است دامنه یافته‌ها را محدود کند. همچنین فقدان انجام متاآنالیز، مانع ارزیابی کمی سازگاری مدل‌ها شده است. با این وجود، این مرور دیدگاه‌های ارزشمندی در مورد مدل‌های پیش‌بینی مبتنی بر هوش مصنوعی برای m-TESE در NOA ارائه می‌دهد.

‎پیامدهای گسترده‌تر یافته‌ها: این مرور پتانسیل تکنیک‌های پیشرفته هوش مصنوعی را در پیش‌بینی موفقیت بازیابی اسپرم برای بیماران NOA تحت m-TESE برجسته می‌کند. با ادغام داده‌های بالینی، هورمونی، هیستوپاتولوژیک و ژنتیکی، مدل‌های AI می‌توانند تصمیم‌گیری را بهبود بخشیده و نتایج بیماران را ارتقا دهند و تعداد جراحی‌های ناموفق را کاهش دهند. با این حال، برای افزایش دقت و قابلیت اطمینان پیش‌بینی‌های AI در پزشکی تولیدمثل، مطالعات آینده باید به محدودیت‌های فعلی پاسخ دهند، از جمله افزایش حجم نمونه و انجام آزمایش‌های اعتبارسنجی آینده‌نگر. ادامه این پژوهش و توسعه برای تقویت کاربردپذیری مدل‌های AI و تضمین پذیرش گسترده‌تر در کلینیک‌ها ضروری است.