دانشگاه علوم پزشکی و خدمات بهداشتی- درمانی استان اصفهان مدیریت اطلاعات سلامت 1735-7853 21 2 2024 06 21 Evaluating AI Performance in COVID-19 Diagnosis: A Systematic Review بررسی عملکرد هوش مصنوعی در تشخیص کرونا: یک مرور نظام‌مند 103 111 31384 10.48305/him.2025.43286.1247 FA آزاده آبکار دانشجوی دکتری، تخصصی گروه کامپیوتر، واحد شیراز، دانشگاه آزاد اسلامی، شیراز، ایران 0000-0003-0597-2223 مهدی محرابی استادیار، گروه کامپیوتر، واحد شیراز، دانشگاه آزاد اسلامی، شیراز، ایران 0000-0002-1551-5723 امین گلاب پور استادیار، گروه فناوری اطلاعات سلامت دانشگاه علوم پزشکی شاهرود، شاهرود، ایران 0000-0001-7649-4033 محمد امین شایگان دانشیار،گروه کامپیوتر، واحد شیراز، دانشگاه آزاد اسلامی، شیراز، ایران 0000-0001-7394-4772 Journal Article 2024 12 15 <strong>Introduction:</strong> Early detection of COVID-19 plays a crucial role in reducing mortality. With its ability to analyze large volumes of medical data, artificial intelligence (AI) can aid in the rapid and accurate diagnosis of this disease. This review study aims to assess the performance of AI models in detecting COVID-19. <strong>Methods:</strong> A systematic search was conducted in the PubMed, Scopus, and WOS databases, yielding 143 relevant articles. The studies were analyzed based on the type of input data, algorithms used, performance evaluation metrics, the presentation of clinical rules, and the clinical validation of the models. Additionally, 451 review and meta-analysis articles were examined to determine the extent to which these algorithms have been integrated into clinical guidelines. <strong>Results:</strong> The input data in the articles consisted of clinical records, medical images, and audio processing. More than 96% of the algorithms were found to be black-box models, lacking clinical validation by specialists. However, the average performance of these models was reported to be above 90%. The review of meta-analysis articles revealed that none of the algorithms had undergone formal clinical evaluation; only their performance on available data was assessed. <strong>Conclusion:</strong> The review of studies shows that AI performs well in COVID-19 detection but faces limitations, including lack of explainability, reliance on training data, and the absence of extensive clinical evaluations. The development of white-box models and conducting broad clinical studies are crucial for ensuring the widespread acceptance of these algorithms in clinical settings. <strong>مقدمه:</strong> تشخیص زودهنگام بیماری کووید-19 نقش مهمی در کاهش مرگ و میر بیماران دارد. با توجه به توانمندی‌های هوش مصنوعی، این فناوری می‌تواند به‌عنوان یکی از روش‌های مؤثر در تشخیص بیماری کووید-19 مورد استفاده قرار گیرد. این مطالعه مروری نظامند با هدف بررسی عملکرد هوش مصنوعی در این حوزه انجام شده است. <strong>روش بررسی:</strong> با استفاده از ترکیب کلیدواژه‌های مرتبط، تمامی مقالات مربوط به کاربرد هوش مصنوعی در تشخیص بیماری کووید-19 از پایگاه‌های داده پابمد، اسکوپوس و وب او ساینس استخراج شدند. این مقالات از جنبه‌های مختلفی از جمله نوع داده، نوع الگوریتم، پارامترهای ارزیابی، ارائه قوانین بالینی، و ارزیابی بالینی الگوریتم‌ها مورد بررسی قرار گرفتند. سپس با استفاده از مقالات مروری و متاآنالیز، مشخص شد که این الگوریتم‌ها تا چه حد در گایدلاین‌های بالینی مورد استفاده قرار گرفته‌اند. <strong>یافته‌ها:</strong> بررسی 143 مقاله‌ وارد شده به مطالعه نشان داد که داده‌های ورودی این مقالات به سه دسته رکوردهای اطلاعاتی، تصاویر بالینی، و پردازش صدا تقسیم می‌شوند. بیش از 96 درصد از این الگوریتم‌ها به‌عنوان الگوریتم‌های جعبه سیاه شناخته می‌شوند و فاقد ارزیابی بالینی توسط متخصصان حوزه بالین هستند. با این حال، میانگین عملکرد تمامی الگوریتم‌ها بالای 90 درصد گزارش شده است. همچنین، از بررسی 451 مقاله مروری و متاآنالیز در این مطالعه مشخص شد که هیچ‌یک از الگوریتم‌ها در چارچوب بالینی مورد بررسی قرار نگرفته‌اند و تنها عملکرد الگوریتم‌ها ارزیابی شده است <strong>نتیجه‌گیری:</strong> مرور مقالات نشان داد هوش مصنوعی در تشخیص کووید-19 عملکرد مطلوبی دارد، اما چالش‌هایی مانند عدم توضیح‌پذیری مدل‌ها، وابستگی به داده‌های آموزشی و نبود ارزیابی‌های بالینی گسترده وجود دارد. توسعه الگوریتم‌های جعبه سفید و بهینه‌سازی مدل‌ها برای پذیرش بالینی ضروری است. https://him.mui.ac.ir/article_31384_9189e075289f180149ff1107d6d48f78.pdf