دوره 8، شماره 3 - ( 1402 )
دوره 8 شماره 3 صفحات 211-203 |
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:
Saremi A, Abbasi B, Karimi-MansoorAbad E, Ashourian Y. AI-Driven Transformation of Private Hospital Management in Iran: A Comprehensive Review of Financial Implications and Beyond. SJMR 2023; 8 (3) : 7
URL: http://saremjrm.com/article-1-311-fa.html
URL: http://saremjrm.com/article-1-311-fa.html
صارمی ابوطالب، عباسی بهاره، کریمی منصورآباد الهام، عاشوریان یاسین. تحول مدیریت بیمارستان خصوصی در ایران مبتنی بر هوش مصنوعی: بررسی جامع پیامدهای مالی و فراتر از آن. مجله تحقيقات پزشكي صارم. 1402; 8 (3) :203-211
1- مرکز تحقیقات زنان، زایمان و ناباروری صارم، بیمارستان فوق تخصصی صارم، دانشگاه علوم پزشکی ایران (IUMS)، تهران، ایران. و مرکز تحقیقات سلولی- مولکولی و سلول‌های بنیادی صارم (SCRC)، بیمارستان فوق تخصصی صارم، تهران، ایران.
2- دپارتمان ژنتیک پزشکی، موسسه ملی مهندسی ژنتیک و بیوتکنولوژی (NIGEB)، تهران، ایران.
2- دپارتمان ژنتیک پزشکی، موسسه ملی مهندسی ژنتیک و بیوتکنولوژی (NIGEB)، تهران، ایران.
چکیده: (2321 مشاهده)
در سال‌های اخیر، صنعت مراقبت‌های بهداشتی با ادغام هوش مصنوعی (AI) در شیوه‌های مدیریت بیمارستانی، به‌ویژه در بستر بیمارستان‌های خصوصی در ایران، شاهد تغییر تحولی بوده است. این بررسی علمی تأثیر عمیق هوش مصنوعی بر مدیریت این مؤسسات بهداشتی خصوصی را با تمرکز ویژه بر پیامدهای مالی آن بررسی می‌کند. این بررسی با ارائه یک نمای کلی از هوش مصنوعی در مراقبت‌های بهداشتی، ردیابی تکامل آن و بحث در مورد کاربردهای متنوع آن در صنعت آغاز می‌شود. سپس به جزئیات چشم‌انداز بیمارستان خصوصی در ایران می‌پردازد و چالش‌ها و فرصت‌های منحصر به فرد این بخش را برجسته می‌کند. همانطور که از طریق روایت حرکت، وضعیت فعلی پذیرش هوش مصنوعی در بیمارستان‌های خصوصی را بررسی می‌کنیم و بر مزایای آن و همچنین موانعی که سازمان‌های مراقبت‌های بهداشتی باید بر آنها غلبه کنند تأکید می‌کنیم. علاوه بر این، جنبه‌های مالی پیاده‌سازی هوش مصنوعی با تجزیه و تحلیل جامع هزینه- فایده، تولید درآمد و ملاحظات بازگشت سرمایه مورد بررسی قرار می‌گیرد. نگرانی‌های اخلاقی و نظارتی پیرامون هوش مصنوعی در مراقبت‌های بهداشتی به طور عمیق مورد بررسی قرار می‌گیرد و مطالعات موردی در دنیای واقعی کاربردهای عملی هوش مصنوعی را در بیمارستان‌های خصوصی ایران نشان می‌دهد. در نهایت، این بررسی نگاهی اجمالی به آینده دارد و فناوری‌ها و روندهای نوظهوری را پیش‌بینی می‌کند که شکل دادن چشم‌انداز مدیریت بیمارستان خصوصی در ایران را نوید می‌دهد. به طور خلاصه، این بررسی یک بررسی جامع از تأثیر چند وجهی هوش مصنوعی بر مدیریت بیمارستان های خصوصی در ایران ارائه می‌دهد، پویایی مالی را روشن و راه را برای تصمیم‌گیری آگاهانه در چشم‌انداز مراقبت‌های بهداشتی در حال تحول هموار می‌کند.
شماره‌ی مقاله: 7
نوع مقاله: مروری سیستماتيک |
موضوع مقاله:
بهداشت و ايمني
دریافت: 1402/8/27 | پذیرش: 1402/9/27 | انتشار: 1403/5/14
دریافت: 1402/8/27 | پذیرش: 1402/9/27 | انتشار: 1403/5/14
فهرست منابع
1. Asciutto KC, Kalapotharakos G, Löfgren M, Högberg T, Borgfeldt C. Robot-assisted surgery in cervical cancer patients reduces the time to normal activities of daily living. Acta Obstet Gynecol Scand. 2015;94(3):260-5. [DOI:10.1111/aogs.12561] [PMID]
2. Olsen RG, Hartwell D, Dalsgaard T, Madsen ME, Bjerrum F, Konge L, Røder A. First experience with the Hugo™ robot-assisted surgery system for endometriosis: A descriptive study. Acta Obstet Gynecol Scand. 2024;103(2):368-77. [DOI:10.1111/aogs.14727] [PMID] []
3. Moustafa S, Burn M, Mamillapalli R, Nematian S, Flores V, Taylor HS. Accurate diagnosis of endometriosis using serum microRNAs. Am J Obstet Gynecol. 2020;223(4):557.e1-.e11. [DOI:10.1016/j.ajog.2020.02.050] [PMID]
4. Wysham WZ, Kim KH, Roberts JM, Sullivan SA, Campbell SB, Roque DR, et al. Obesity and perioperative pulmonary complications in robotic gynecologic surgery. Am J Obstet Gynecol. 2015;213(1):33.e1-.e7. [DOI:10.1016/j.ajog.2015.01.033] [PMID]
5. Moglia A. Pilot study of Society of European Robotic Gynecological Surgery (SERGS) curriculum for robot-assisted surgery. Arch Gynecol Obstet. 2018;297(6):1595-6. [DOI:10.1007/s00404-018-4756-y] [PMID]
6. Rusch P, Kimmig R, Lecuru F, Persson J, Ponce J, Degueldre M, Verheijen R. The Society of European Robotic Gynaecological Surgery (SERGS) Pilot Curriculum for robot assisted gynecological surgery. Arch Gynecol Obstet. 2018;297(2):415-20. [DOI:10.1007/s00404-017-4612-5] [PMID] []
7. Nishizawa K, Katsunaga Y, Hattahara K, Yoshida T, Segawa T. Near-infrared ray catheter and indocyanine green via nephrostomy in delayed robotic reconstruction of injured ureter: A case report. Asian J Endosc Surg. 2023;16(3):500-4. [DOI:10.1111/ases.13154] [PMID]
8. Meyer R, Hamilton KM, Truong MD, Wright KN, Siedhoff MT, Brezinov Y, Levin G. ChatGPT compared with Google Search and healthcare institution as sources of postoperative patient instructions after gynecological surgery. Bjog. 2024. [DOI:10.1111/1471-0528.17746] [PMID]
9. Bartos P, Struppl D, Trhlík M, Czudek S, Skrovina M, Adamcík L, Soumarová R. [Da vinci robotic surgery in gynaecological oncology: a critical interim appraisal]. Ceska Gynekol. 2007;72(5):354-9.
10. Iftikhar P, Kuijpers MV, Khayyat A, Iftikhar A, DeGouvia De Sa M. Artificial Intelligence: A New Paradigm in Obstetrics and Gynecology Research and Clinical Practice. Cureus. 2020;12(2):e7124. [DOI:10.7759/cureus.7124]
11. Patel N, Chaudhari K, Jyotsna G, Joshi JS. Surgical Frontiers: A Comparative Review of Robotics Versus Laparoscopy in Gynecological Interventions. Cureus. 2023;15(11):e49752. [DOI:10.7759/cureus.49752]
12. Chen M, Kong W, Li B, Tian Z, Yin C, Zhang M, et al. Revolutionizing hysteroscopy outcomes: AI-powered uterine myoma diagnosis algorithm shortens operation time and reduces blood loss. Front Oncol. 2023;13:1325179. [DOI:10.3389/fonc.2023.1325179] [PMID] []
13. Mabrouk M, Frumovitz M, Greer M, Sharma S, Schmeler KM, Soliman PT, Ramirez PT. Trends in laparoscopic and robotic surgery among gynecologic oncologists: A survey update. Gynecol Oncol. 2009;112(3):501-5. [DOI:10.1016/j.ygyno.2008.11.037] [PMID] []
14. Szpurek D, Moszynski R, Smolen A, Sajdak S. Artificial neural network computer prediction of ovarian malignancy in women with adnexal masses. Int J Gynaecol Obstet. 2005;89(2):108-13. [DOI:10.1016/j.ijgo.2005.01.034] [PMID]
15. Moszynski R, Szpurek D, Smolen A, Sajdak S. Comparison of diagnostic usefulness of predictive models in preliminary differentiation of adnexal masses. Int J Gynecol Cancer. 2006;16(1):45-51.
https://doi.org/10.1111/j.1525-1438.2006.00277.x [DOI:10.1136/ijgc-00009577-200601000-00008] [PMID]
16. Cho SA, Lee SJ, Yoon S, Sung TY. Risk Factors for Postoperative Hypothermia in Patients Undergoing Robot-Assisted Gynecological Surgery: A Retrospective Cohort Study. Int J Med Sci. 2022;19(7):1147-54. [DOI:10.7150/ijms.73225] [PMID] []
17. Heo JE, Kang SK, Lee J, Koh D, Kim MS, Lee YS, et al. Outcomes of single-port robotic ureteral reconstruction using the da Vinci SP(®) system. Investig Clin Urol. 2023;64(4):373-9. [DOI:10.4111/icu.20230005] [PMID] []
18. Moon S, Carlson LA, Moser ED, Agnikula Kshatriya BS, Smith CY, Rocca WA, et al. Identifying Information Gaps in Electronic Health Records by Using Natural Language Processing: Gynecologic Surgery History Identification. J Med Internet Res. 2022;24(1):e29015. [DOI:10.2196/29015] [PMID] []
19. Bush AJ, Morris SN, Millham FH, Isaacson KB. Women's preferences for minimally invasive incisions. J Minim Invasive Gynecol. 2011;18(5):640-3. [DOI:10.1016/j.jmig.2011.06.009] [PMID]
20. Guan X, Guan Z, Sunkara S, Thigpen B. Indocyanine Green-Assisted Retrograde Ureterolysis in Robotic Transvaginal NOTES for the Management of Stage IV Endometriosis with Obliterated Cul-de-sac. J Minim Invasive Gynecol. 2023;30(4):266-7. [DOI:10.1016/j.jmig.2023.02.005] [PMID]
21. Madad Zadeh S, François T, Comptour A, Canis M, Bourdel N, Bartoli A. SurgAI3.8K: A Labeled Dataset of Gynecologic Organs in Laparoscopy with Application to Automatic Augmented Reality Surgical Guidance. J Minim Invasive Gynecol. 2023;30(5):397-405. [DOI:10.1016/j.jmig.2023.01.012] [PMID]
22. Tang X, Chen Q, Huang Z, Liang J, An R, Liu H. Comparison of the carotid corrected flow time and tidal volume challenge for assessing fluid responsiveness in robot-assisted laparoscopic surgery. J Robot Surg. 2023;17(6):2763-72. [DOI:10.1007/s11701-023-01710-y] [PMID]
23. Cadeddu JA. Re: The New Robotic TELELAP ALF-X in Gynecological Surgery: Single-Center Experience. J Urol. 2016;196(1):139.
https://doi.org/10.1016/j.juro.2016.03.158 [DOI:10.1016/j.juro.2016.03.159]
24. Nezhat C, Saberi NS, Shahmohamady B, Nezhat F. Robotic-assisted laparoscopy in gynecological surgery. Jsls. 2006;10(3):317-20.
25. Bottura B, Porto B, Moretti-Marques R, Barison G, Zlotnik E, Podgaec S, Gomes MTV. Surgeon experience, robotic perioperative outcomes, and complications in gynecology. Rev Assoc Med Bras (1992). 2022;68(11):1514-8. [DOI:10.1590/1806-9282.20220113] [PMID] []
26. Carregal A, Lorenzo A, Taboada JA, Barreiro JL. [Intraoperative control of mean arterial pressure and heart rate with alfentanyl with fuzzy logic]. Rev Esp Anestesiol Reanim. 2000;47(3):108-13.
27. Dällenbach P, Petignat P, Dubuisson JB, Wenger JM. [LESS, NOTES and robotic surgery in gynecology: an update and upcoming perspectives]. Rev Med Suisse. 2010;6(268):2024, 6-9. [DOI:10.53738/REVMED.2010.6.268.2024] [PMID]
28. Gumbs AA, Grasso V, Bourdel N, Croner R, Spolverato G, Frigerio I, et al. The Advances in Computer Vision That Are Enabling More Autonomous Actions in Surgery: A Systematic Review of the Literature. Sensors (Basel). 2022;22(13). [DOI:10.3390/s22134918] [PMID] []
29. Metsker O, Kopanitsa G, Malushko A, Komlichenko E, Bolgova K, Paskoshev D. Gynecological Surgery and Machine Learning: Complications and Length of Stay Prediction. Stud Health Technol Inform. 2021;281:575-9. [DOI:10.3233/SHTI210236] [PMID]
30. Sgarbura O, Vasilescu C. The decisive role of the patient-side surgeon in robotic surgery. Surg Endosc. 2010;24(12):3149-55. [DOI:10.1007/s00464-010-1108-9] [PMID]
31. Loniewski S, Farah K, Mansouri N, Albader F, Settembre N, Litré CF, et al. Da Vinci Robotic Assistance for Anterolateral Lumbar Arthrodesis: Results of a French Multicentric Study. World Neurosurg. 2024;181:e685-e93. [DOI:10.1016/j.wneu.2023.10.114] [PMID]
32. Seufert R, Knapstein PG. [Current responsibilities of information processing in gynecology]. Zentralbl Gynakol. 1997;119(9):405-7.
33. Zhao Q, Wang M, Chen M. Tumor polo-like kinase 4 protein expression reflects lymphovascular invasion, higher Federation of Gynecology and Obstetrics stage, and shortened survival in endometrial cancer patients who undergo surgical resection. BMC Womens Health. 2024;24(1):101. [DOI:10.1186/s12905-024-02911-9] [PMID] []
34. Melaet R, de Vries IR, Kok RD, Guid Oei S, Huijben IAM, van Sloun RJG, et al. Artificial intelligence based cardiotocogram assessment during labor. Eur J Obstet Gynecol Reprod Biol. 2024;295:75-85. [DOI:10.1016/j.ejogrb.2024.02.007] [PMID]
35. Guo XG, Zhang YJ, Lu YX, Lu JM, Zhang J, Li HX, et al. Causal association between genetically predicted circulating immune cell counts and frailty: a two-sample Mendelian randomization study. Front Immunol. 2024;15:1336498. [DOI:10.3389/fimmu.2024.1336498] [PMID] []
36. Cepolina F, Razzoli R. Review of robotic surgery platforms and end effectors. J Robot Surg. 2024;18(1):74. [DOI:10.1007/s11701-023-01781-x] [PMID] []
37. Hanai A, Ishikawa T, Sugao S, Fujii M, Hirai K, Watanabe H, et al. Explainable Machine Learning Classification to Identify Vulnerable Groups Among Parenting Mothers: Web-Based Cross-Sectional Questionnaire Study. JMIR Form Res. 2024;8:e47372. [DOI:10.2196/47372] [PMID] []
38. Pigat L, Geisler BP, Sheikhalishahi S, Sander J, Kaspar M, Schmutz M, et al. Predicting Hypoxia Using Machine Learning: Systematic Review. JMIR Med Inform. 2024;12:e50642. [DOI:10.2196/50642] [PMID] []
39. Rietjens JAC, Griffioen I, Sierra-Pérez J, Sroczynski G, Siebert U, Buyx A, et al. Improving shared decision-making about cancer treatment through design-based data-driven decision-support tools and redesigning care paths: an overview of the 4D PICTURE project. Palliat Care Soc Pract. 2024;18:26323524231225249. [DOI:10.1177/26323524231225249] [PMID] []
40. Tenner ZM, Cottone MC, Chavez MR. Harnessing the open access version of ChatGPT for enhanced clinical opinions. PLOS Digit Health. 2024;3(2):e0000355. [DOI:10.1371/journal.pdig.0000355] [PMID] []
41. Kim HM, Ko T, Kang H, Choi S, Park JH, Chung MK, et al. Improved prediction of clinical pregnancy using artificial intelligence with enhanced inner cell mass and trophectoderm images. Sci Rep. 2024;14(1):3240. [DOI:10.1038/s41598-024-52241-x] [PMID] []
42. Taksoee-Vester CA, Mikolaj K, Petersen OBB, Vejlstrup NG, Christensen AN, Feragen A, et al. Role of AI-assisted automated cardiac biometrics in screening for fetal coarctation of aorta. Ultrasound Obstet Gynecol. 2024. [DOI:10.1002/uog.27608] [PMID]
43. Gong L, Tang Y, Xie H, Zhang L, Sun Y. Predicting cervical intraepithelial neoplasia and determining the follow-up period in high-risk human papillomavirus patients. Front Oncol. 2023;13:1289030. [DOI:10.3389/fonc.2023.1289030] [PMID] []
44. Bradfield JP, Kember RL, Ulrich A, Balkiyarova Z, Alyass A, Aris IM, et al. Trans-ancestral genome-wide association study of longitudinal pubertal height growth and shared heritability with adult health outcomes. Genome Biol. 2024;25(1):22. [DOI:10.1186/s13059-023-03136-z] [PMID] []
45. Levin G, Meyer R, Guigue PA, Brezinov Y. It takes one to know one-Machine learning for identifying OBGYN abstracts written by ChatGPT. Int J Gynaecol Obstet. 2024. [DOI:10.1002/ijgo.15365] [PMID]
46. Toyohara Y, Sone K, Noda K, Yoshida K, Kato S, Kaiume M, et al. The automatic diagnosis artificial intelligence system for preoperative magnetic resonance imaging of uterine sarcoma. J Gynecol Oncol. 2023. [DOI:10.3802/jgo.2024.35.e24] [PMID] []
47. Wang Q, Chang Z, Liu X, Wang Y, Feng C, Ping Y, Feng X. Predictive Value of Machine Learning for Platinum Chemotherapy Responses in Ovarian Cancer: Systematic Review and Meta-Analysis. J Med Internet Res. 2024;26:e48527. [DOI:10.2196/48527] [PMID] []
48. Ito H, Shimomai W, Matsuzaki Y, Suzuki J, Kuroiwa K, Ashizawa N, et al. Validate robot-assisted total laparoscopic hysterectomy with four equally-spaced ports without an assistant port. J Robot Surg. 2024;18(1):55. [DOI:10.1007/s11701-023-01800-x] [PMID]
49. Calhoun BC, Uselman H, Olle EW. Development of Artificial Intelligence Image Classification Models for Determination of Umbilical Cord Vascular Anomalies. J Ultrasound Med. 2024. [DOI:10.1002/jum.16418] [PMID]
50. Alkatout I, O'Sullivan O, Peters G, Maass N. Expanding Robotic-Assisted Surgery in Gynecology Using the Potential of an Advanced Robotic System. Medicina (Kaunas). 2023;60(1). [DOI:10.3390/medicina60010053] [PMID] []
51. Luo L, Luo F, Wu C, Zhang H, Jiang Q, He S, et al. Identification of potential biomarkers in the peripheral blood of neonates with bronchopulmonary dysplasia using WGCNA and machine learning algorithms. Medicine (Baltimore). 2024;103(4):e37083. [DOI:10.1097/MD.0000000000037083] [PMID] []
52. Aeberhard JL, Radan AP, Soltani RA, Strahm KM, Schneider S, Carrié A, et al. Introducing Artificial Intelligence in Interpretation of Foetal Cardiotocography: Medical Dataset Curation and Preliminary Coding-An Interdisciplinary Project. Methods Protoc. 2024;7(1). [DOI:10.3390/mps7010005] [PMID] []
53. Lee Y, Kim SY. Potential applications of ChatGPT in obstetrics and gynecology in Korea: a review article. Obstet Gynecol Sci. 2024. [DOI:10.5468/ogs.23231] [PMID] []
54. Wang Y, Lin W, Zhuang X, Wang X, He Y, Li L, Lyu G. Advances in artificial intelligence for the diagnosis and treatment of ovarian cancer (Review). Oncol Rep. 2024;51(3). [DOI:10.3892/or.2024.8705] [PMID] []
55. Lebatteux D, Soudeyns H, Boucoiran I, Gantt S, Diallo AB. Machine learning-based approach KEVOLVE efficiently identifies SARS-CoV-2 variant-specific genomic signatures. PLoS One. 2024;19(1):e0296627. [DOI:10.1371/journal.pone.0296627] [PMID] []
56. Lee CI, Huang CC, Lee TH, Chen HH, Cheng EH, Lin PY, et al. Associations between the artificial intelligence scoring system and live birth outcomes in preimplantation genetic testing for aneuploidy cycles. Reprod Biol Endocrinol. 2024;22(1):12. [DOI:10.1186/s12958-024-01185-y] [PMID] []
57. Jeong S, Yu H, Park SH, Woo D, Lee SJ, Chong GO, et al. Comparing deep learning and handcrafted radiomics to predict chemoradiotherapy response for locally advanced cervical cancer using pretreatment MRI. Sci Rep. 2024;14(1):1180. [DOI:10.1038/s41598-024-51742-z] [PMID] []
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
