Aorta anevrizması, aorta damarının müəyyən bir hissəsində daimi və lokal genişlənmənin yaranmasıdır. Xəstəlik çox vaxt uzun müddət əlamətsiz irəliləyə bilər və rüptür və ya disseksiya inkişaf etdikdə həyati təhlükəli nəticələrə səbəb ola bilər. Müasir klinik idarəetmədə aortanın diametri hələ də əsas qiymətləndirmə meyarlarından biridir; lakin yalnız maksimal diametr damar divarının bioloji, mexaniki və genetik mürəkkəbliyini tam əks etdirmir.

Carmela Rita Balistreri və həmkarlarının narrative review işi süni intellektin aorta anevrizmasının idarə edilməsində bu çatışmazlığı necə tamamlaya biləcəyini qiymətləndirir. İcmal; görüntüləmə və avtomatik seqmentasiya, üçölçülü aorta modelləşdirilməsi, biomexaniki hesablama, böyümə və rüptür proqnozu, biomarker və multi-omics analizi, cərrahi qərar dəstəyi və əməliyyatdan sonrakı risk proqnozu kimi bir çox sahəni vahid translasiya çərçivəsində nəzərdən keçirir.

AI və xüsusilə maşın öyrənməsi klinik məlumatlar, CT/MRI görüntüləri, biomexaniki parametrlər, genetik dəyişənlər, proteomik və transkriptomik məlumatlar kimi yüksəkölçülü verilənləri birlikdə emal edə bilər. Beləliklə, yalnız “anevrizma neçə millimetrdir?” sualından daha geniş risk profili formalaşdırıla bilər.

Lakin mövcud sübutlar hələ AI-nin rutin klinik praktikada müstəqil qərarverici kimi istifadəsini dəstəkləyəcək səviyyədə deyil. Kiçik və tək mərkəzli məlumat dəstləri, xarici doğrulamanın olmaması, modelin ümumiləşdirilə bilməsi, izaholunma, xərc, məlumat məxfiliyi və tənzimləyici tələblər mühüm məhdudiyyətlər olaraq qalır.

Aorta anevrizması nədir və niyə yalnız diametr ölçümü kifayət etməyə bilər?

Aorta anevrizması insan aortasında damar divarının bütün qatlarını əhatə edən və normal damar diametrinin təxminən 1,5 qatından çox lokal genişlənmə ilə xarakterizə olunan aortopatiyadır.

Anevrizmalar anatomik olaraq əsasən iki qrupa bölünür:

• TAA — Thoracic Aortic Aneurysm: Torakal aorta anevrizması,
• AAA — Abdominal Aortic Aneurysm: Abdominal aorta anevrizması.

AAA xüsusilə infrarenal abdominal aortada tez-tez müşahidə olunduğu halda, TAA torakal seqmentlərdə inkişaf edir və uzun müddət asimptomatik qala bilər.

Anevrizma riski yaş, cins, ailə anamnezi, siqaret çəkmə, hipertoniya, hiperkolesterolemiya, genetik meyllilik və birləşdirici toxuma xəstəlikləri kimi çoxsaylı amillərdən təsirlənir.

Ənənəvi klinik izləmədə maksimal diametr əsas göstəricilərdən biridir və müəyyən hədlərdə cərrahi qiymətləndirmə aparılır. Lakin damar diametri aorta divarının bioloji quruluşunu, regional mexaniki gərginliyi, iltihabı, genetik meylliliyi və ya fərd-spesifik hemodinamik qüvvələri birbaşa ölçmür.

Buna görə eyni diametrə malik iki xəstənin real rüptür və ya böyümə riski bir-birindən fərqli ola bilər.

55 mm həddi nəyi ifadə edir?

İcmal bildirir ki, klinik idarəetmədə cərrahi müdaxilə adətən maksimal diametr təxminən 55 mm səviyyəsinə çatdıqda tövsiyə olunur.

Bununla belə, mənbə mühüm ağırlaşmaların bu həddə çatmazdan əvvəl də müşahidə oluna biləcəyini və yalnız diametrə əsaslanan yanaşmanın anevrizma riskinin bütün bioloji və biomexaniki ölçülərini əks etdirmədiyini vurğulayır.

Bu səbəbdən gələcək risk modellərində həndəsi ölçmənin:

• biomexaniki,
• genetik,
• iltihabi,
• molekulyar,
• klinik

məlumatlarla tamamlanması hədəflənir.

Süni intellekt aortanın görüntülənməsini necə dəyişdirir?

Aorta anevrizmasının qiymətləndirilməsində ultrasound, CTA və MRA əsas görüntüləmə üsullarıdır. Xüsusilə CTA yüksək ayırdetməli üçölçülü anatomik məlumat verdiyi üçün cərrahi planlaşdırmada kritik əhəmiyyət daşıyır.

AI-nin görüntüləmə sahəsində ən mühüm rollarından biri avtomatik seqmentasiyadır.

Seqmentasiya görüntüdəki aortanı və ya anevrizma sahəsini ətraf toxumalardan ayıraraq analiz edilə bilən müstəqil anatomik struktur yaradır.

Bu proses sayəsində:

• aorta diametri,
• aortanın uzunluğu,
• anevrizma həcmi,
• intraluminal tromb,
• divar həndəsəsi,
• stent və ya qreftin mövqeyi

kimi dəyişənlər daha standart şəkildə ölçülə bilər.

Hansı süni intellekt arxitekturalarından istifadə olunur?

Aorta görüntülərinin analizində istifadə edilən dərin öyrənmə yanaşmalarında aşağıdakı arxitekturalar ön plana çıxır:

• U-Net,
• nnU-Net,
• VNet,
• ResNet,
• AlexNet,
• VGG-16,
• GAN əsaslı modellər.

Bu modellər CT və MRI kimi xam görüntülərdən mürəkkəb məkan xüsusiyyətlərini avtomatik öyrənə bilər.

3D seqmentasiya niyə vacibdir?

İkiölçülü tək kəsik ölçümü, xüsusilə əyri və ya asimmetrik aorta seqmentlərində real maksimal diametri səhv qiymətləndirə bilər.

Üçölçülü rekonstruksiya isə aortanın bütövlükdə görülməsinə, mərkəz xəttinin müəyyən edilməsinə, müxtəlif səviyyələrdə diametrin ölçülməsinə və morfoloji xüsusiyyətlərin daha ardıcıl təhlilinə imkan verir.

Buna görə AI dəstəkli avtomatik 3D seqmentasiya yalnız vaxta qənaət edən görüntü emalı aləti deyil; ölçmə standartlaşdırmasını artıra biləcək potensial klinik infrastrukturdur.

AI biomexaniki hesablamaları niyə sürətləndirə bilər?

Anevrizma rüptürü yalnız həndəsi ölçü ilə əlaqəli deyil. Aorta divarındakı lokal mexaniki gərginlik və qan axınının damar səthində yaratdığı qüvvələr də mühümdür.

Bu məqsədlə iki əsas hesablama yanaşmasından istifadə olunur:

• CFD — Computational Fluid Dynamics,
• FEA — Finite Element Analysis.

CFD ilə qan axını, təzyiq sahəsi və wall shear stress; FEA ilə damar divarındakı mexaniki stress və deformasiya proqnozlaşdırıla bilər.

Lakin yüksək dəqiqlikli CFD və FEA hesablamaları hesablama baxımından bahalıdır və klinik iş axınında hər xəstə üçün sürətlə tətbiq edilməsi çətin ola bilər.

Surrogate AI modelləri nə edir?

İcmalda təqdim edilən işlər göstərir ki, dərin neyron şəbəkələri əvvəlcədən hesablanmış CFD nəticələrindən öyrənərək yeni xəstə anatomiyası üçün:

• təzyiq paylanması,
• qan axınının sürəti,
• wall shear stress,
• mexaniki divar gərginliyi

kimi parametrləri çox daha sürətli proqnozlaşdıra bilir.

Bəzi işlərdə torakal aorta üçün təzyiq və sürət sahələrinin bir saniyə ərzində; başqa modellərdə isə ətraflı 3D hemodinamikanın millisaniyə səviyyəsində yaradıla bildiyi bildirilmişdir.

Bu nəticələr klassik CFD-nin elmi dəyərini aradan qaldırmır. AI burada yüksək xərcli fiziki simulyasiyaları tam əvəz etmək əvəzinə sürətləndirilmiş surrogate model kimi istifadə oluna bilər.

AI anevrizmanın böyümə və rüptür riskini necə proqnozlaşdırır?

AI-nin ən mühüm istifadə hədəflərindən biri mövcud maksimal diametr məlumatını digər risk göstəriciləri ilə birləşdirərək “bu anevrizma nə qədər sürətlə böyüyəcək?” və ya “rüptür riski nə qədər yüksəkdir?” kimi suallara daha fərdiləşdirilmiş cavab yaratmaqdır.

İstifadə oluna biləcək dəyişənlər arasında:

• maksimal diametr,
• aorta həndəsəsi,
• wall shear stress,
• divar strain-i,
• intraluminal trombun qalınlığı,
• yaş,
• siqaret çəkmə,
• hipertoniya,
• dərman istifadəsi,
• genetik dəyişənlər,
• biomarkerlər

yer alır.

Nümunə: böyümə proqnozunda AUC 0,92

İcmalda müzakirə olunan Forneris və həmkarlarının işində:

• time-averaged wall shear stress,
• in vivo principal strain,
• intraluminal thrombus thickness

birlikdə qiymətləndirilmişdir.

Binary Extra Trees classifier ilə klinik baxımdan əhəmiyyətli anevrizma böyüməsi üçün AUC 0,92 bildirilmişdir.

Bu nəticə həndəsi diametrdən kənar funksional biomexaniki xüsusiyyətlərin AI ilə birlikdə qiymətləndirilə biləcəyini göstərir.

AI biomarker kəşfində nə təmin edir?

Aorta anevrizmasının biologiyası genetik, iltihabi və metabolik bir çox prosesin birgə təsiri altındadır.

Buna görə tək bir qan testi və ya tək bir genin xəstəliyin bütününü izah etməsi çətindir.

AI-nin burada ən güclü tərəflərindən biri minlərlə molekulyar dəyişən arasındakı əlaqələri birlikdə təhlil edərək klassik təkdəyişənli yanaşmada görünməyən nümunələri müəyyən edə bilməsidir.

Hansı omics qatları araşdırılır?

• Genomika: gen variantları,
• Transkriptomika: gen ekspressiyası profilləri,
• Proteomika: dövr edən zülallar, sitokinlər, MMP-lər,
• Metabolomika: oksidativ stress və enerji metabolizmi ilə əlaqəli metabolitlər,
• Single-cell RNA sequencing: hüceyrə tipinə xas transkriptomik dəyişikliklər.

Proteomika nümunəsində nə tapıldı?

Descending thoracic aortic aneurysm ilə type B dissection arasındakı fərqi araşdıran bir işdə:

• 1549 peptid,
• 198 zülal

təhlil edilmişdir.

Klassik statistika yalnız hemopexin üçün aydın əlaqə göstərdiyi halda, ML əsaslı analiz:

• IGHV6-1,
• LCAT,
• F12,
• HPX,
• IGHV4-4

zülallarını yüksək əhəmiyyətli dəyişənlər arasında müəyyən etmişdir.

Həmçinin complement activation, humoral immune response və coagulation pathways kimi bioloji yolların type B dissection qrupunda daha qabarıq olduğu bildirilmişdir.

T hüceyrələri və AAA

Multi-omics və machine learning tədqiqatlarında AAA divarındakı immun hüceyrə infiltrasiyası da araşdırılmışdır.

Bəzi işlərdə:

• FOSB,
• JUNB,
• CST7,
• TBC1D4

kimi genlər T hüceyrəsi fenotipləri ilə əlaqəli mühüm biomarker namizədləri kimi müəyyən edilmişdir.

FOSB və JUNB üçün ROC analizlərində müvafiq olaraq AUC 0,911 və 0,917 bildirilmişdir.

CCR7, CBX6, G0S2 və PIM1

Digər multi-omics + ML tədqiqatlarında:

• CCR7 və CBX6 immun hüceyrə infiltrasiyası ilə,
• G0S2 müxtəlif iltihabi hüceyrə populyasiyaları ilə,
• PIM1 isə cuproptosis və ferroptosis ilə

əlaqəli biomarker namizədləri kimi bildirilmişdir.

Bunlar klinikada təsdiqlənmiş diaqnostik testlər deyil; tədqiqat səviyyəsində biomarker namizədləridir.

Cuproptosis və ferroptosis anevrizma tədqiqatında niyə vacibdir?

Cuproptosis, hüceyrədaxili artıq misin mitoxondridə lipoylated TCA-cycle zülallarına bağlanması nəticəsində yaranan, mitoxondrial stress və hüceyrə ölümü ilə nəticələnən mexanizmdir.

Aorta divarında vascular smooth muscle cell itkisi divarın mexaniki davamlılığını azalda bildiyi üçün bu proses AAA-nın irəliləməsinə töhfə verə bilər.

Ferroptosis isə dəmir və lipid peroxidation ilə əlaqəli başqa bir proqramlaşdırılmış hüceyrə ölümü formasıdır.

Sərbəst dəmir reactive oxygen species istehsalını artıra bilər və qoruyucu mexanizmlər yetərsiz olduqda hüceyrə membranında ölümcül lipid peroxidation inkişaf edə bilər.

AAA kontekstində bu proseslərin VSMC və endotel hüceyrələrinin itkisinə töhfəsi araşdırılır.

AI cərrahi qərar dəstəyində necə istifadə oluna bilər?

Aorta anevrizmalarında ən çətin klinik suallardan biri cərrahiyyənin nə vaxt aparılacağıdır.

Həddindən artıq erkən cərrahiyyə lazımsız prosedur riskinə, çox gec cərrahiyyə isə rüptür və ya disseksiya riskinə səbəb ola bilər.

AI-nin məqsədi cərrahın yerinə qərar vermək deyil; çoxsaylı klinik və anatomik dəyişənləri birlikdə emal edərək qərar dəstəyi təmin etməkdir.

SHAP-FIRE yanaşması

İcmalda açıqlanan bir işdə 637 nəfərlik AAA populyasiyası qiymətləndirilmiş və 68 xüsusiyyətdən 20 əsas risk faktoru seçilmişdir.

Bu xüsusiyyətlər arasında:

• maksimal transversal diametr,
• luminal sahə,
• iliak bifurkasiya həndəsəsi,
• aorta divarının qalınlığı,
• yaş,
• siqaret çəkmə,
• pulse pressure,
• hipertoniya,
• BSA,
• statin istifadəsi,
• platelet inhibitoru istifadəsi,
• mural thrombus xüsusiyyətləri

yer almışdır.

Model yalnız aorta diametrinə əsaslanan qiymətləndirmədən daha yüksək AUC və Youden index göstərmişdir.

Aneurysm Prognosis Classifier

University of Pittsburgh tərəfindən hazırlanmış APC modeli 381 AAA xəstəsindəki:

• klinik,
• biomexaniki,
• morfoloji

dəyişənləri birlikdə istifadə edərək repair və ya rupture kimi klinik nəticələr üzrə təsnifat aparmışdır.

Bu tip modellər gələcəkdə cərrahi vaxtlamanın yalnız diametr həddinə deyil, daha fərdiləşdirilmiş risk profilinin bütününə əsaslanmasını hədəfləyir.

TEVAR və EVAR-dan sonrakı nəticələri proqnozlaşdırmaq mümkündürmü?

İcmalda yer alan böyük tədqiqatlardan biri 10.738 xəstədən ibarət VQI məlumat bazasında TEVAR və kompleks EVAR-dan sonra birillik mənfi nəticələri proqnozlaşdırmaq üçün:

• XGBoost,
• Random Forest,
• SVM,
• ANN,
• Naïve Bayes

alqoritmlərini qiymətləndirmişdir.

Tədqiqatda AUC 0,96–0,98 və təxminən %89 dəqiqlik bildirilmişdir.

Ən güclü dəyişənlər arasında prosedur növü, funksional vəziyyət və komorbidliklər yer almışdır.

Kəskin Tip A Aorta Disseksiyasında AI

ATAAD xəstələrində AI modelləri aşağıdakı nəticələri proqnozlaşdırmaq üçün istifadə edilmişdir:

• 30 günlük mortalite,
• CRRT ehtiyacı,
• major adverse outcome,
• uzunmüddətli sağqalma,
• əməliyyatdan sonrakı qaraciyər disfunksiyası.

Məsələn, bir PSO-ELM-FLXGBoost modeli 640 xəstədə 30 günlük mortalite üçün AUC 0,8687 bildirmiş, XGBoost əsaslı başqa bir model isə 588 xəstədə əməliyyatdan sonrakı CRRT ehtiyacı üçün AUC 0,96 əldə etmişdir.

Dərin öyrənmə görüntüləmədə nə dərəcədə uğurludur?

İcmalda araşdırılan böyük görüntüləmə tədqiqatlarında CNN, U-Net, ResNet və GAN əsaslı modellər:

• anevrizmanın aşkarlanması,
• seqmentasiya,
• stentin mövqeyinin qiymətləndirilməsi,
• cərrahi planlaşdırma,
• proqnozun təxmin edilməsi

kimi vəzifələrdə istifadə edilmişdir.

Bəzi mənbə tədqiqatlarında 18.000-dən çox CT/MRI görüntüsünü əhatə edən məlumat dəstlərində AUC 0,97-yə və Dice >0,95 dəyərlərinə qədər performans bildirilmişdir.

Lakin bu rəqəmlər vahid standartlaşdırılmış benchmark-dan deyil, müxtəlif tədqiqatların nəticələrindən gəlir.

Sintetik məlumat və in silico trial niyə vacibdir?

Aorta anevrizması tədqiqatlarının əsas problemlərindən biri yüksək keyfiyyətli və etiketlənmiş xəstə məlumatlarının məhdud olmasıdır.

Statistical shape modeling və generative AI üsullarından istifadə etməklə anatomik cəhətdən realistik sintetik aorta modelləri yaradıla bilər.

Bunlar:

• ML modelinin təlimində,
• nadir anatomiyaların modelləşdirilməsində,
• cihaz sınaqlarında,
• stent-graft qiymətləndirilməsində,
• virtual patient cohort yaradılmasında,
• in silico clinical trial dizaynında

istifadə oluna bilər.

Bununla yanaşı, sintetik məlumatın real klinik paylanmanı nə dərəcədə təmsil etdiyi ayrıca doğrulanmalıdır.

AI niyə hələ rutin aorta anevrizması idarəetməsinin mərkəzində deyil?

İcmalın nəticə bölməsi AI-nin potensialına baxmayaraq klinik istifadənin hələ məhdud olduğunu xüsusi vurğulayır.

1. ML həmişə klassik statistikadan daha yaxşı deyil

Daha mürəkkəb model avtomatik olaraq daha yaxşı klinik proqnoz demək deyil.

Bəzi müqayisəli ədəbiyyat machine learning modellərinin logistic regression kimi klassik modelləri ardıcıl şəkildə üstələmədiyini göstərir.

2. Məlumat dəstləri kiçik və tək mərkəzli ola bilər

Bir çox model:

• məhdud xəstə sayı ilə,
• tək mərkəzin məlumatları ilə,
• homogen xəstə populyasiyasında

hazırlanmışdır.

Bu vəziyyət overfitting və müxtəlif mərkəzlərə zəif ümumiləşdirmə riskini artırır.

3. Xarici doğrulamanın çatışmazlığı

Modelin hazırlandığı xəstəxanada yaxşı nəticə verməsi onun başqa ölkələrdə və ya fərqli cihazlarla eyni performansı göstərəcəyinə zəmanət vermir.

Buna görə multicenter external validation kritik əhəmiyyət daşıyır.

4. İzaholunma

Klinisist yalnız “yüksək risk” nəticəsini deyil, bu nəticənin hansı klinik və ya görüntüləmə dəyişənlərindən yaradıldığını da anlamaq istəyir.

SHAP, LASSO, permutation importance və oxşar üsulların istifadə edilməsinin səbəbi budur.

5. Xərc

Qabaqcıl:

• 3D görüntüləmə,
• multi-omics,
• GPU infrastrukturu,
• DL təlimi

əhəmiyyətli xərc yarada bilər.

6. Tənzimləyici status

Məqalə AI alətlərini üç fərqli səviyyədə ayırmağın vacibliyini vurğulayır:

• Tədqiqat səviyyəli AI aləti: elmi tədqiqat və inkişaf üçün istifadə olunur.
• Clinical Decision Support: klinisistə tövsiyə təqdim edir, lakin müalicə qərarını avtonom şəkildə vermir.
• Tənzimləyici təsdiqli tibbi cihaz: diaqnostika, izləmə və ya müalicə məqsədilə klinik istifadəyə daxil olmuş tənzimlənən sistemdir.

Bu üç kateqoriya bir-biri ilə qarışdırılmamalıdır.

Tədqiqatın Metodu və Nəticələri

İcmal necə hazırlanıb?

Tədqiqatçılar:

• PubMed,
• Scopus,
• Web of Science

üzrə yanvar 2010–mart 2026 dövründəki ədəbiyyatı araşdırmışdır.

Axtarış terminləri:

• artificial intelligence,
• machine learning,
• deep learning,
• aortic aneurysm,
• risk prediction,
• imaging analysis,
• biomarkers,
• clinical decision support

kombinasiyalarını əhatə etmişdir.

Resenziyalı orijinal tədqiqatlar, sistematik icmallar və mühüm metodoloji işlər prioritetləşdirilmişdir.

Tədqiqat narrative review olduğuna görə PRISMA tətbiq edilməmişdir.

İcmalın əsas AI tətbiq sahələri

Seçilmiş ədəbiyyat nəticələri

Bu nəticələr müxtəlif tədqiqatlardan gəlir və bir-biri ilə birbaşa müqayisə edilə bilən ortaq benchmark nəticələri deyil.

Tədqiqatın dəstəklədiyi nəticələr

• AI aorta görüntülərinin avtomatik seqmentasiyasında və kəmiyyət analizində güclü köməkçi ola bilər.
• ML diametrdən kənar klinik, biomexaniki və molekulyar dəyişənləri birlikdə istifadə edərək fərdiləşdirilmiş risk proqnozuna töhfə verə bilər.
• AI əsaslı surrogate modellər yüksək xərcli CFD/FEA hesablamalarını əhəmiyyətli dərəcədə sürətləndirə bilər.
• Multi-omics + ML yeni biomarker namizədlərini və patoloji mexanizmləri müəyyən edə bilər.
• AI cərrahi risk, əməliyyatdan sonrakı ağırlaşma və uzunmüddətli nəticələrin proqnozunda qərar dəstəyi təmin edə bilər.
• Sintetik məlumat və in silico modellər nadir vəziyyətlərin tədqiqini və model təlimini dəstəkləyə bilər.

Tədqiqatın dəstəkləmədiyi nəticələr

• AI-nin maksimal aorta diametrini tamamilə əvəz edə biləcəyi göstərilməyib.
• AI-nin müstəqil şəkildə cərrahi vaxtlama qərarı verməyə hazır olduğu göstərilməyib.
• Bütün ML modellərinin klassik statistikadan daha uğurlu olduğunu demək olmaz.
• Tək mərkəzdə yüksək AUC əldə edən modellərin başqa mərkəzlərdə eyni performansı göstərəcəyinə zəmanət yoxdur.
• Biomarker namizədlərinin hamısı klinik olaraq doğrulanmış testlər deyil.
• Yüksək seqmentasiya uğuru avtomatik olaraq daha yaxşı klinik nəticə demək deyil.
• AI-nin real dünya xərc-effektivliyi hələ bir çox istifadə sahəsində kifayət qədər göstərilməyib.

Əsas məhdudiyyətlər

Bu tədqiqat systematic review və ya meta-analysis deyil. Ədəbiyyat seçimi narrative review dizaynına əsaslandığı üçün bütün tədqiqatlar standart risk-of-bias çərçivəsi ilə qiymətləndirilməyib.

Bundan əlavə, araşdırılan AI ədəbiyyatının mühüm hissəsi:

• kiçik nümunəli,
• tək mərkəzli,
• retrospektiv,
• xarici doğrulaması məhdud

tədqiqatlardan ibarətdir.

Buna görə yüksək AUC və ya Dice dəyərləri birbaşa rutin klinik performans kimi şərh edilməməlidir.

Gələcək tədqiqat sahələri

1. çoxmərkəzli və prospektiv xarici doğrulamalar,
2. müxtəlif anevrizma tiplərini eyni vaxtda emal edə bilən multi-task AI,
3. residual CNN, active learning, one-shot learning və GAN əsaslı üsullar,
4. omics + görüntüləmə + biomexanika + klinik məlumat inteqrasiyası,
5. izah edilə bilən və etibarlı AI,
6. cost-effectiveness analizi,
7. tədqiqat aləti, CDS və tənzimləyici təsdiqli tibbi cihaz fərqinin dəqiqləşdirilməsi,
8. qurumlararası genişmiqyaslı məlumat mübadiləsi və əməkdaşlıq.

Mənbə və Metod Qeydi

Orijinal başlıq:Artificial Intelligence in Aorta Aneurysm Management: Translational Applications and Limits

Müəlliflər: Carmela Rita Balistreri, Laura Asta, Sabrina Nocerino, Dario Tarantino, Calogera Pisano, Diego Gallo və Salvatore Pasta.

Jurnal:AI, 2026, 7, Article 209.

DOI:10.3390/ai7060209

Təqdim: 10 mart 2026. Reviziya: 27 may 2026. Qəbul: 4 iyun 2026. Nəşr: 8 iyun 2026.

Tədqiqat növü: Narrative review.

Ədəbiyyat əhatəsi: yanvar 2010–mart 2026; PubMed, Scopus və Web of Science.

PRISMA: Tətbiq edilməyib; tədqiqat sistematik icmal kimi dizayn edilməyib.

Maliyyələşdirmə: ASSOCIATE — Artificial Intelligence-Powered Support System for Ascending Aorta Aneurysms; PRIN 2022 çərçivəsində dəstəklənib.

Etika: Institutional Review Board və informed consent tətbiq edilə bilən deyil.

Məlumatlara çıxış: Yeni məlumat yaradılmayıb və ya təhlil edilməyib.

Maraqların toqquşması: Müəlliflər maraqların toqquşması olmadığını bildiriblər.

Lisenziya: Creative Commons Attribution (CC BY).

Metodoloji məhdudiyyət: İcmal müxtəlif tədqiqatların nəticələrini birlikdə müzakirə edir, lakin onları vahid meta-analitik effekt ölçüsünə çevirmir. Performans göstəriciləri fərqli populyasiya, tapşırıq və məlumat dəstlərindən gəldiyi üçün birbaşa metod sıralaması kimi şərh edilməməlidir.

Klinik məhdudiyyət: Məqalə AI-ni klinisist qərarını əvəz edən avtonom qərarverici kimi təklif etmir. Rutin klinik istifadə üçün xarici doğrulama, prospektiv qiymətləndirmə, izaholunma, tənzimləyici uyğunluq və real dünya üzrə ümumiləşdirilə bilmə tələb olunur.

Verianla metod qeydi: Bu Azərbaycan dilində məzmun mənbə narrative review-un görüntüləmə, biomexanika, biomarker, multi-omics, risk proqnozu, cərrahi qərar dəstəyi və klinik translasiya məhdudiyyətlərini mənbə mənasına sadiq şəkildə müstəqil tədris strukturunda yenidən təşkil edir. Mənbə şəkilləri və ya cədvəlləri olduğu kimi kopyalanmayıb.