* ISC * Index Medicus for the Eastern Mediterranean Region (IMEMR) * Index Copernicus * ResearchBible * J-Gate * I2OR * ROAD * CiteFactor * Scientific Indexing Services * SID * Magiran * Google Scholar
و دارای رتبه علمی پژوهشی
از کمیسیون نشریات وزارت بهداشت و درمان
مرکز تحقیقات سلامت پسته، دانشگاه علوم پزشکی رفسنجان، رفسنجان، ایران ، motahareh.soltani@gmail.com
چکیده: (272 مشاهده)
زمینه و هدف:سموم دریاییِ شیمیایی و زیستی تهدیدی جدی برای سلامت دریانوردان و غواصان، بهویژه در مناطق کلیدی خلیج فارس و دریای عمان، بهشمار میروند. حساسیت فردی به این سموم با پلیمورفیسمهای ژنتیکی (SNPs)در ژنهای متابولیسم سم، مانند خانواده CYP450، تفاوت دارد. این مقاله تمرکز خود را بر توسعه و تشریح یک چارچوب/مدل مفهومی مبتنی بر هوش مصنوعی برای پیشبینی آسیبپذیری ژنتیکی و تعریف پروتکل ارزیابی آن میگذارد؛ نوآوری اصلی، ادغام چندمنبعیِ دادههای ژنتیکی و زیستمحیطی با قابلیت پیوند به تلهمدیسین و هشدارهای بلادرنگ است. روش ها: چارچوب پیشنهادی شامل: (1) دادههای ژنتیکی دریانوردان و غواصان (پروفایلهایSNPدر ژنهای مرتبط با متابولیسم سم)، (2) دادههای زیستمحیطی از حسگرهای دریایی و تصاویر ماهوارهای (غلظت سموم جلبکی مانند سیگواتوکسین/ساکسیتوکسین/دوموئیک اسید، کیفیت آب، دما)، و (3) دانشپایههای سمی از پایگاههایی نظیر ToxCast و T3DBاست. سه رده الگوریتمیِ نامزد شامل شبکههای عصبی عمیق، جنگلهای تصادفی و SVMبرای مدلسازی ریسک بهکار میروند. پروتکل ارزیابی از تقسیم آموزش/اعتبارسنجی/آزمون و اعتبارسنجی متقاطع پیروی کرده و معیارهای عملکرد شامل Accuracy، Precision، RecallوF1-score(با امکان گزارشAUCدر صورت دودوییبودن برچسبها)تعریف میشود. مقایسه بینمدلی و انتخاب بهترین مدل بر پایه این سنجهها انجام خواهد شد. دامنه جغرافیایی دادههای میدانیِ هدف، مسیرهای کشتیرانی و عملیات غواصی در خلیج فارس و دریای عمان است. یافتهها: این مطالعه ماهیت مفهومی/چارچوبی دارد و در این مرحله نتایج عددی یا آزمایشی گزارش نمیکند. خروجیهای اصلی شامل: (الف) طراحی معماری مدل و فلوچارت پردازش، (ب) مشخصات قابلاجرای داده و منابع آن(حسگرهای دریایی، ماهواره، ToxCast/T3DB، نمونههای ژنتیکی)، (ج) پروتکل ارزیابی با سنجههای کمی مشخص، و (د) تفکیک روشنِ نوآوری(ادغام ژنتیک+محیط+هوش مصنوعی)از کاربردها (پزشکی غواصی/طب کار، امداد دریایی با تلهمدیسین، پایش شکوفههای مضر جلبکی و هشدار زودهنگام). همچنین، چالشهای کلیدی (زیرساخت محاسباتی در دریا، کیفیت/کاملبودن داده، و الزامات اخلاقی دادههای ژنتیکی) و پیامدهای آنها بر طراحی سامانه مستند شدهاند. نتیجهگیری: چارچوب معرفیشده مسیر روشنی برای پیادهسازی و ارزیابی یک سامانه پیشبینی ریسکِ شخصیسازیشده فراهم میکند و ظرفیت آن را برای بهبود سلامت حرفهای، کاهش مواجهه پرخطر و پشتیبانی از تصمیمهای بالینی از راه دور نشان میدهد. اعتبارسنجی تجربی با نمونههای واقعی و گزارش سنجههای عددی، گام بعدی پژوهش است.
Khanamani Falahatipour S, Khanamani Falahati-pour S, Ghasemloo A, Karami-Mohajer S, Oghabian Z, Khanamani Falahati-pour S et al . Development of an AI-Based Predictive Model for Assessing Genetic Vulnerability to Marine Toxins in Seafarers and Divers. J Mar Med 2025; 7 (3) :163-173 URL: http://jmarmed.ir/article-1-502-fa.html
خنامانی فلاحتی پور سکینه، خنامانی فلاحتی پور سلیمه، قاسملو امیررضا، کرمی مهاجر سمیه، عقابیان زهره، خنامانی فلاحتی پور سوده و همکاران.. توسعه یک مدل پیشبینی مبتنی بر هوش مصنوعی برای ارزیابی آسیبپذیری ژنتیکی به سموم دریایی در دریانوردان و غواصان. مجله طب دریا. 1404; 7 (3) :163-173
