کاربرد هوش مصنوعی در تجویز برنامه ورزشی برای بیماران
محورهای موضوعی : فیزیولوژی علمی عضلانی - فیزیولوژی فعالیت بدنی و تندرستی -
غلامحسن جعفرزاده
1
*
,
مهدی مشایخی
2
1 - دانشگاه صنعتی خاتم الانبیاء بهبهان، بهبهان،ایران.
2 - دانشجوی مهندسی کامپیوتر دانشگاه صنعتی خاتم الانبیاء بهبهان، بهبهان، ایران.
کلید واژه: هوش مصنوعی, برنامه ورزشی, بیمار.,
چکیده مقاله :
مقدمه و هدف: با توجه به گسترش استفاده از هوش مصنوعی در حوزه‌های مختلف، به ویژه در مراقبت‌های بهداشتی و ورزش، بررسی اینکه چگونه این فناوری می‌تواند در طراحی برنامه‌های ورزشی دقیق‌تر و پیش‌بینی خطرات احتمالی مؤثر باشد، از اهمیت بالایی برخوردار است. پژوهش حاضر به موضوع بررسی کاربرد هوش مصنوعی در تجویز برنامه ورزشی برای درمان بیماران پرداخته است.
روش شناسی پژوهش: در این پژوهش از رویکرد بازبینی و تحقیق ، با روش پژوهش کتابخانه ای استفاده شده است، که با مطالعه و بررسی مقالات ، منابع کتابخانه ای و آنلاین در سايت گوگل اسكولار، سامانه گنج و موارد مشابه انجام شده است.
یافته ها: نتایج بدست آمده نشان داده است که در کاربرد هوش مصنوعی برای تجویز برنامه ورزشی به منظور درمان بیماران، طراحی برنامه ورزشی باید با دقت و بر اساس نیازهای فردی بیماران انجام شود. این برنامه‌ها می‌توانند شامل تمرینات خاصی باشند که با توجه به شرایط جسمانی، سابقه پزشکی و اهداف بیمار تنظیم می‌شوند. استفاده از داده‌های متنوع و جامع، مانند اطلاعات پزشکی، نتایج آزمایش‌ها و حتی داده‌های مربوط به فعالیت‌های روزانه، به مدل‌های هوش مصنوعی کمک می‌کند تا الگوهای خاصی را شناسایی کرده و پیشنهادات دقیقی ارائه دهند.
بحث ونتيجه گيري: ایمن بودن برنامه‌های ورزشی پیشنهادی از اهمیت بالایی برخوردار است. الگوریتم‌ها باید به گونه‌ای طراحی شوند که ریسک آسیب‌دیدگی را به حداقل برسانند و برنامه‌ها را بر اساس وضعیت سلامت بیمار به‌روزرسانی کنند. این امر نیازمند ارزیابی‌های دقیق و مداوم از پیشرفت بیمار و پاسخ به تمرینات است. در این راستا، چالش‌های متعددی وجود دارد. یکی از این چالش‌ها مربوط به جمع‌آوری و تحلیل داده‌های معتبر است. همچنین، مسائل اخلاقی نظیر حریم خصوصی اطلاعات بیماران و مسئولیت در قبال اشتباهات احتمالی مدل‌ها نیز باید مدنظر قرار گیرد. این چالش‌ها نیاز به توجه و بررسی دقیق دارند تا بتوان به نتایج مؤثر و ایمن در تجویز برنامه‌های ورزشی دست یافت.
Introduction: Given the expanding use of artificial intelligence in various fields, especially in healthcare and sports, it is of great importance to examine how this technology can be effective in designing more accurate exercise programs and predicting potential risks. The present study examines the application of artificial intelligence in prescribing exercise programs for treating patients.
Methodology: In this study, a review and research approach was used, using the library research method, which was carried out by studying and reviewing articles, library and online resources on the Google Scholar site, Ganj system, and similar items.
Results: showed the following results: In the application of artificial intelligence to prescribe exercise programs for treating patients, the design of the exercise program must be done carefully and based on the individual needs of the patients. These programs can include specific exercises that are adjusted according to the patient's physical condition, medical history and goals. The use of diverse and comprehensive data, such as medical information, test results and even data related to daily activities, helps artificial intelligence models identify specific patterns and provide accurate suggestions.
Conclusion: The safety of the proposed exercise programs is also of great importance. Algorithms must be designed in a way that minimizes the risk of injury and updates the programs based on the patient's health status. This requires accurate and continuous assessments of patient progress and response to exercise. In this regard, there are several challenges. One of these challenges is related to the collection and analysis of valid data. Also, ethical issues such as the privacy of patient information and liability for possible model errors must be considered. These challenges require careful attention and consideration in order to achieve effective and safe results in prescribing exercise programs.
1. Rooh-al-Amin, & Rezaei Manesh. (2023). The role of artificial intelligence in sports. The 6th International Conference on Management, Humanities and Behavioral Sciences in Iran and the Islamic World.
2. • Wilson, B., Hoffman, J., & Morgenstern, J. (2017). Predictive inequity in object detection [Working paper]. https://arxiv.org/pdf/1902.11097.pdf
3. • Angwin, J., Larson, J., Mattu, S., & Kirchner, L. (2016, May 23). Machine bias: There’s software used across the country to predict future criminals. And it’s biased against Blacks. ProPublica. https://www.propublica.org/article/machine-bias-risk-assessments-in-criminal-sentencing
4. • Kosinski, M., Stillwell, D., & Graepel, T. (2020). Private traits and attributes are predictable from digital records of human behavior. Proceedings of the National Academy of Sciences of the United States of America, 110(15), 5802–5805. https://doi.org/10.1073/pnas.1218772110
5. • Suwajanakorn, S., Seitz, S. M., & Kemelmacher-Shlizerman, I. (2017). Synthesizing Obama: Learning lip sync from audio [Conference paper]. https://grail.cs.washington.edu/projects/AudioToObama/siggraph17_obama.pdf
6. • Burrell, J. (2016). How the machine ‘thinks’: Understanding opacity in machine learning algorithms. Big Data & Society, 3(1), 1–12. https://doi.org/10.1177/2053951715622512
7. • Haenssle, H. A., Fink, C., Schneiderbauer, R., Toberer, F., Buhl, T., Blum, A., ... & Uhlmann, L. (2018). Man against machine: Diagnostic performance of a deep learning convolutional neural network for dermoscopic melanoma recognition in comparison to 58 dermatologists. Annals of Oncology, 29(8), 1836–1842. https://doi.org/10.1093/annonc/mdy166
8. • Markoff, J. (2011, March 4). Armies of expensive lawyers, replaced by cheaper software. The New York Times. https://www.nytimes.com/2011/03/05/science/05legal.html
9. • Kaplan, A. M., & Haenlein, M. (2022). The fairyland of Second Life: About virtual social worlds and how to use them. Business Horizons, 52(6), 563–572. https://doi.org/10.1016/j.bushor.2022.05.005
10. • The Economist. (2016, December 17). China invents the digital totalitarian state. The Economist. https://www.economist.com/briefing/2016/12/17/china-invents-the-digitaltotalitarian-state
11. • The New York Times. (2019, May 14). San Francisco bans facial recognition technology. The New York Times. https://www.nytimes.com/2019/05/14/us/facial-recognition-ban-sanfrancisco.html
12. • Rizzo, A. S., & Koenig, S. T. (2017). Virtual reality and cognitive rehabilitation. In K. S. Hale & K. M. Stanney (Eds.), Handbook of virtual environments: Design, implementation, and applications (2nd ed., pp. xxx–xxx). CRC Press.
13. • Barton, C. J., & Morrissey, D. (2017). The use of artificial intelligence in sport science and rehabilitation. Journal of Sports Sciences, 35(5), 400–409. https://doi.org/10.1080/02640414.2016.1183807
14. • Le, T. K., & Lee, T. K. (2022). Artificial intelligence applications in sports medicine. Sports Health, 14(4), 346–355. https://doi.org/10.1177/19417381221097111
15. • Jain, S. H., & Powers, B. W. (2020). AI and clinical decision support: The intersection of health and technology. Journal of Clinical Informatics, 6(2), 45–50.