یکشنبه 16 آذر 1404
[Archive]
دوره 23، شماره 10 - ( 7-1404 )
جلد 23 شماره 10 صفحات 842-827 |
برگشت به فهرست نسخه ها
Ethics code: IR.TUMS.SPH.REC.1402.010
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Sajjadi H, Choobineh H, Safdari R. Presenting a conceptual model for decision support systems in infertility: A developmental study. IJRM 2025; 23 (10) :827-842
URL: http://ijrm.ir/article-1-3521-fa.html
URL: http://ijrm.ir/article-1-3521-fa.html
ارائه مدل مفهومی سیستم های پشتیبان تصمیم گیری در ناباروری: یک مطالعه توسعه ای. International Journal of Reproductive BioMedicine. 1404; 23 (10) :827-842
چکیده: (59 مشاهده)
مقدمه: ناباروری، ناتوانی در باردار شدن پس از یک سال تلاش است که منجر به بیفرزندی ناخواسته میشود. یک سیستم پشتیبان تصمیمگیری بالینی میتواند تشخیص را بهبود بخشد، هزینهها را کاهش دهد، دسترسی را بهبود بخشد و دقت درمان را افزایش دهد.
هدف: این مطالعه با هدف ارائه یک مدل مفهومی برای سیستمهای پشتیبان تصمیمگیری در ناباروری انجام شد.
مواد و روش ها: این مطالعه توسعهای که از آوریل تا نوامبر 2024 در 3 مرحله انجام شد. ابتدا پایگاههای دادهای PubMed، Scopus و Web of Science برای شناسایی دادهها برای سیستمهای پشتیبانی تصمیمگیری در ناباروری مورد بررسی قرار گرفتند. در مرحله بعد، موتورهای جستجو مانند گوگل، یاهو و بینگ، همراه با ابزارهای هوش مصنوعی مانند Chat GPT، Gemini و Perplexity، به شناسایی سیستمهای مشابه کمک کردند. در نهایت، نظرات 32 متخصص ناباروری از طریق پرسشنامه محقق ساخته جمعآوری شد که پایایی آن با آلفای کرونباخ برابر با 78/0 و اعتبار آن با نسبت روایی محتوا برابر با 60/0 مورد تأیید قرار گرفت.
نتایج: در مرحله اول، 16310 مقاله شناسایی شد؛ 10 مقاله پس از حذف موارد تکراری و اعمال معیارهای ورود و خروج انتخاب شدند. در مرحله دوم، 71 سیستم مرتبط از موتورهای جستجو شناسایی شدند؛ ۵۸ مورد حذف شدند و ۱۳ مورد برای تجزیه و تحلیل بیشتر باقی ماندند. در مرحله سوم، یک پرسشنامه محقق ساخته در بین ۳۲ متخصص توزیع شد که میزان توافق ۹۴% برای نظارت و پیگیری، ۹۴% برای دادههای آنالیز اسپرم، ۹۰% برای دادههای سقط جنین و 5/82% برای اطلاعات ناباروری از مجلات سلامت را نشان داد. الزامات در 4 دسته گروهبندی شدند: ویژگیهای اصلی (۱۰ عنصر)، مدیریت اطلاعات بیمار (۱۹ عنصر)، دادههای پیشبینی باروری (۱۶ عنصر) و ویژگیهای ثانویه (۳ عنصر) توافق کلی مدل 85% بود.
نتیجه گیری: توسعه یک سیستم پشتیبان تصمیمگیری برای ناباروری میتواند مراقبتهای بالینی و نتایج را بهبود بخشد؛ بااینحال، چالشها شامل استانداردسازی روشهای اعتبارسنجی و در نظر گرفتن تنوع قومی میباشد.
هدف: این مطالعه با هدف ارائه یک مدل مفهومی برای سیستمهای پشتیبان تصمیمگیری در ناباروری انجام شد.
مواد و روش ها: این مطالعه توسعهای که از آوریل تا نوامبر 2024 در 3 مرحله انجام شد. ابتدا پایگاههای دادهای PubMed، Scopus و Web of Science برای شناسایی دادهها برای سیستمهای پشتیبانی تصمیمگیری در ناباروری مورد بررسی قرار گرفتند. در مرحله بعد، موتورهای جستجو مانند گوگل، یاهو و بینگ، همراه با ابزارهای هوش مصنوعی مانند Chat GPT، Gemini و Perplexity، به شناسایی سیستمهای مشابه کمک کردند. در نهایت، نظرات 32 متخصص ناباروری از طریق پرسشنامه محقق ساخته جمعآوری شد که پایایی آن با آلفای کرونباخ برابر با 78/0 و اعتبار آن با نسبت روایی محتوا برابر با 60/0 مورد تأیید قرار گرفت.
نتایج: در مرحله اول، 16310 مقاله شناسایی شد؛ 10 مقاله پس از حذف موارد تکراری و اعمال معیارهای ورود و خروج انتخاب شدند. در مرحله دوم، 71 سیستم مرتبط از موتورهای جستجو شناسایی شدند؛ ۵۸ مورد حذف شدند و ۱۳ مورد برای تجزیه و تحلیل بیشتر باقی ماندند. در مرحله سوم، یک پرسشنامه محقق ساخته در بین ۳۲ متخصص توزیع شد که میزان توافق ۹۴% برای نظارت و پیگیری، ۹۴% برای دادههای آنالیز اسپرم، ۹۰% برای دادههای سقط جنین و 5/82% برای اطلاعات ناباروری از مجلات سلامت را نشان داد. الزامات در 4 دسته گروهبندی شدند: ویژگیهای اصلی (۱۰ عنصر)، مدیریت اطلاعات بیمار (۱۹ عنصر)، دادههای پیشبینی باروری (۱۶ عنصر) و ویژگیهای ثانویه (۳ عنصر) توافق کلی مدل 85% بود.
نتیجه گیری: توسعه یک سیستم پشتیبان تصمیمگیری برای ناباروری میتواند مراقبتهای بالینی و نتایج را بهبود بخشد؛ بااینحال، چالشها شامل استانداردسازی روشهای اعتبارسنجی و در نظر گرفتن تنوع قومی میباشد.
نوع مطالعه: Original Article |
فهرست منابع
1. Hasanpoor-Azghady SB, Simbar M, Vedadhir AA, Azin SA, Amiri-Farahani L. The social construction of infertility among iranian infertile women: A qualitative study. J Reprod Infertil 2019; 20: 178-190.
2. Araya BM, Aldersey HM, Camara S, Alemu K, Dyer S, Velez MP. The varying estimation of infertility in Ethiopia: The need for a comprehensive definition. BMC Womens Health 2024; 24: 280-291. [DOI:10.1186/s12905-024-03118-8] [PMID] [PMCID]
3. Seyedi SS, Hosseini A, Rabiei R, Asadi F, Moghaddasi H. Infertility information system with an approach to data architecture: A systematic review. Am J Biomed Sci Res 2019; 5: 254-261. [DOI:10.34297/AJBSR.2019.05.000922]
4. Taylor HS, Pal L, Sell E. Speroff's clinical gynecologic endocrinology and infertility. Philadelphia: Lippincott Williams & Wilkins; 2019.
5. Direkvand Moghaddam A, Delpisheh A, Sayehmiri K. [An investigation of the worldwide prevalence of infertility as a systematic review]. Qom Univ Med Sci J 2016; 10: 76-87. (In Persian)
6. Vander Borght M, Wyns C. Fertility and infertility: Definition and epidemiology. Clin Biochem 2018; 62: 2-10. [DOI:10.1016/j.clinbiochem.2018.03.012] [PMID]
7. Camacho J, Zanoletti-Mannello M, Landis-Lewis Z, Kane-Gill SL, Boyce RD. A conceptual framework to study the implementation of clinical decision support systems (BEAR): Literature review and concept mapping. J Med Internet Res 2020; 22: e18388. [DOI:10.2196/18388] [PMID] [PMCID]
8. Saei Ghare Naz M, Ozgoli G, Sayehmiri K. Prevalence of infertility in Iran: A systematic review and meta-analysis. Urol J 2020; 17: 338-345. [DOI:10.18502/ijrm.v17i8.4818] [PMID] [PMCID]
9. Zhang Q, Liang X, Chen Z. A review of artificial intelligence applications in in vitro fertilization. J Assist Reprod Genet 2025; 42: 3-14. [DOI:10.1007/s10815-024-03284-6] [PMID]
10. Rabiei R, Ayyoubzadeh SM, Sohrabei S, Esmaeili M, Atashi A. Prediction of breast cancer using machine learning approaches. J Biomed Phys Eng 2022; 12: 297-308. [DOI:10.31661/jbpe.v0i0.2109-1403] [PMID] [PMCID]
11. Wang R, Pan W, Jin L, Li Y, Geng Y, Gao C, et al. Artificial intelligence in reproductive medicine. Reproduction 2019; 158: R139-R154. [DOI:10.1530/REP-18-0523] [PMID] [PMCID]
12. Rezayi S, Nilashi M, Esmaeeli E, Ramezanghorbani N, Arji G, Ahmadi H, et al. A scoping and bibliometric review of deep learning techniques in breast cancer imaging: Mapping the landscape and future directions. Neural Comput Appl 2025; 37: 17759-17782. [DOI:10.1007/s00521-025-11215-4]
13. Khosravi M, Zare Z, Mojtabaeian SM, Izadi R. Artificial intelligence and decision-making in healthcare: A thematic analysis of a systematic review of reviews. Health Serv Res Manag Epidemiol 2024; 11: 23333928241234863. [DOI:10.1177/23333928241234863] [PMID] [PMCID]
14. Chen Z, Liang N, Zhang H, Li H, Yang Y, Zong X, et al. Harnessing the power of clinical decision support systems: Challenges and opportunities. Open Heart 2023; 10: e002432. [DOI:10.1136/openhrt-2023-002432] [PMID] [PMCID]
15. Tehrani FT, Abbasi S. Continuous positive airway pressure treatment of premature infants: Application of a computerized decision support system. Comput Biol Med 2015; 62: 136-140. [DOI:10.1016/j.compbiomed.2015.04.007] [PMID]
16. Joshi M, Ashrafian H, Arora S, Khan S, Cooke G, Darzi A. Digital alerting and outcomes in patients with sepsis: Systematic review and meta-analysis. J Med Internet Res 2019; 21: e15166. [DOI:10.2196/15166] [PMID] [PMCID]
17. Abu-Naser S, Alhabbash M. Male infertility expert system diagnoses and treatment. Am J Innovative Res Appl Sci 2016; 2: 181-192.
18. Letterie G, MacDonald A, Shi Z. An artificial intelligence platform to optimize workflow during ovarian stimulation and IVF: Process improvement and outcome-based predictions. Reprod Biomed Online 2022; 44: 254-260. [DOI:10.1016/j.rbmo.2021.10.006] [PMID]
19. Tricco AC, Lillie E, Zarin W, O'Brien KK, Colquhoun H, Levac D, et al. PRISMA extension for scoping reviews (PRISMA-ScR): Checklist and explanation. Ann Intern Med 2018; 169: 467-473. [DOI:10.7326/M18-0850] [PMID]
20. Krejcie R, Morgan D. Determining sample size for research activities. Educ Psychol Meas 1970; 30: 607-610. [DOI:10.1177/001316447003000308]
21. Nazari A, Garmaroudi G, Foroushani AR, Askari A. Psychometric assessment of the Persian adaptation of the attitudes toward seeking professional psychological help scale-short form. BMC Psychiatry 2024; 24: 75-85. [DOI:10.1186/s12888-023-05388-2] [PMID] [PMCID]
22. Grant MJ, Booth A. A typology of reviews: An analysis of 14 review types and associated methodologies. Health Info Libr J 2009; 26: 91-108. [DOI:10.1111/j.1471-1842.2009.00848.x] [PMID]
23. Lockwood C, Munn Z, Porritt K. Qualitative research synthesis: Methodological guidance for systematic reviewers utilizing meta-aggregation. Int J Evid Based Healthc 2015; 13: 179-187. [DOI:10.1097/XEB.0000000000000062] [PMID]
24. Aromataris E, Fernandez R, Godfrey CM, Holly C, Khalil H, Tungpunkom P. Summarizing systematic reviews: Methodological development, conduct and reporting of an umbrella review approach. Int J Evid Based Healthc 2015; 13: 132-140. [DOI:10.1097/XEB.0000000000000055] [PMID]
25. Raimundo J, Cabrita P. Artificial intelligence at assisted reproductive technology. Procedia Comput Sci 2021; 181: 442-447. [DOI:10.1016/j.procs.2021.01.189]
26. Simi M, Nayaki KS, Parameswaran M, Sivadasan S. Exploring female infertility using predictive analytic. 2017 IEEE Global Humanitarian Technology Conference (GHTC); 2017 Oct 19: USA: 1-6. [DOI:10.1109/GHTC.2017.8239343]
27. de Souza FD. An online infertility clinical decision support system. Asian Pac J Reprod 2017; 6: 221-225. [DOI:10.4103/2305-0500.215933]
28. Riegler MA, Stensen MH, Witczak O, Andersen JM, Hicks S, Hammer HL, et al. Artificial intelligence in the fertility clinic: Status, pitfalls and possibilities. Hum Reprod 2021; 36: 2429-2442. [DOI:10.1093/humrep/deab168] [PMID]
29. Medenica S, Zivanovic D, Batkoska L, Marinelli S, Basile G, Perino A, et al. The future is coming: Artificial intelligence in the treatment of infertility could improve assisted reproduction outcomes-the value of regulatory frameworks. Diagnostics 2022; 12: 2979-2993. [DOI:10.3390/diagnostics12122979] [PMID] [PMCID]
30. Mostaar A, Sattari M, Hosseini S, Deevband M. Use of artificial neural networks and PCA to predict results of infertility treatment in the ICSI method. J Biomed Phys Eng 2019; 9: 679-686. [DOI:10.31661/JBPE.V0I0.1187] [PMID] [PMCID]
31. de Santiago I, Polanski L. Data-driven medicine in the diagnosis and treatment of infertility. J Clin Med 2022; 11: 6426-6448. [DOI:10.3390/jcm11216426] [PMID] [PMCID]
32. Chen SM, Chen KY, Chiu CY, Hwu YM. Development of a decision support system for assisted reproductive technology. 62nd IISE annual conference and Expo; 2012: Orlando, USA. 1555-1563.
33. Hanassab S, Abbara A, Yeung AC, Voliotis M, Tsaneva-Atanasova K, Kelsey TW, et al. The prospect of artificial intelligence to personalize assisted reproductive technology. NPJ Digit Med 2024; 7: 55. [DOI:10.1038/s41746-024-01006-x] [PMID] [PMCID]
34. Dhombres F, Bonnard J, Bailly K, Maurice P, Papageorghiou AT, Jouannic JM. Contributions of artificial intelligence reported in obstetrics and gynecology journals: Systematic review. J Med Internet Res 2022; 24: e35465. [DOI:10.2196/35465] [PMID] [PMCID]
35. Vaughan D, Pan W, Yacoby Y, Seidler EA, Leung AQ, Doshi-Velez F, et al. The application of machine learning methods to evaluate predictors of live birth in programmed thaw cycles. Fertil Steril 2019; 112: e273. [DOI:10.1016/j.fertnstert.2019.07.808]
36. Meena K, Vijayalakshmi N. Analysis of factors causing infertility in women using statistical analysis and association rule mining. Indian J Public Health Res Dev 2015; 6: 120-125. [DOI:10.5958/0976-5506.2015.00084.4]
37. Zahmatkeshan M, Farjam M, Mohammadzadeh N, Noori T, Karbasi Z, Mahmoudvand Z, et al. Design of infertility monitoring system: Minimum data set approach. J Med Life 2019; 12: 56-64. [DOI:10.25122/jml-2018-0071] [PMID] [PMCID]
38. Bulletti C, Franasiak JM, Busnelli A, Sciorio R, Berrettini M, Aghajanova L, et al. Artificial intelligence, clinical decision support algorithms, mathematical models, calculators applications in infertility: Systematic review and hands-on digital applications. Mayo Clin Proc Digit Health 2024; 2: 518-532. [DOI:10.1016/j.mcpdig.2024.08.007] [PMID] [PMCID]
39. Hafiz P, Nematollahi M, Boostani R, Namavar Jahromi B. Predicting implantation outcome of in vitro fertilization and intracytoplasmic sperm injection using data mining techniques. Int J Fertil Steril 2017; 11: 184-190.
40. Desouza K, Jacob B. Big data in the public sector: Lessons for practitioners and scholars. Administration Soc 2017; 49: 1043-1064. [DOI:10.1177/0095399714555751]
41. Lu S-C, Brown RJ, Michalowski M. A clinical decision support system design framework for nursing practice. ACI Open 2021; 5: e84-e93. [DOI:10.1055/s-0041-1736470]
42. Khong PCB, Holroyd E, Wang W. A critical review of the theoretical frameworks and the conceptual factors in the adoption of clinical decision support systems. Comput Inform Nurs 2015; 33: 555-570. [DOI:10.1097/CIN.0000000000000196] [PMID]
43. Canzona MR, Victorson DE, Murphy K, Clayman ML, Patel B, Puccinelli-Ortega N, et al. A conceptual model of fertility concerns among adolescents and young adults with cancer. Psychooncology 2021; 30: 1383-1392. [DOI:10.1002/pon.5695] [PMID] [PMCID]
44. Maleki S, Kazemi A, Nasiri-Dehsorkhi H, Nekuei N. Design of conceptual model of psycho-social burden in infertile couples undergoing assisted reproductive treatments: A study protocol for a mixed method study. Health Sci Rep 2025; 8: e70854. [DOI:10.1002/hsr2.70854] [PMID] [PMCID]
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
