light box
امتیاز 2.65 یک مدل مبتنی بر شباهت بیمار برای پیش بینی تشخیصی">

نوع فایل : word
تعداد صفحات : 14
تعداد کلمات : 4700
مجله : International Journal of Medical Informatics
انتشار : 2020
ترجمه ی متون جدول : ترجمه شده است
درج جداول در فایل ترجمه : درج شده است
منابع داخل متن : به صورت فارسی درج شده است
کیفیت ترجمه : طلایی
فونت ترجمه : ب نازنین 12
دسته بندی :
برچسب ها : ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ،

عنوان فارسی مقاله:یک مدل مبتنی بر شباهت بیمار برای پیش بینی تشخیصی

 چکیده

هدف:  شبیه سازی استدلال بالینی پزشکان،بازیابی بیماران به صورت خودکار و پیش بینی تشخیص با بیماران مشابه و متفاوت.

مواد و روش‌ها: ما یک پیش زمینه مبتنی بر شباهت مبتنی بر بیمار را برای پیش بینی تشخیصی پیشنهاد کردیم که از نظریه ساختار نقشه برداری درباره استدلال قیاس در روانشناسی الهام گرفته شده است. ، شباهت بيمار به عنوان شباهت بين مجموعه‌های تشخيصي دو بيمار و نه دوگانگي (عدم حضور / حضور فقط يك بيماري) توصيف می‌شود. مشکل طبقه بندی چند لایه با یکپارچه سازی ویژگی‌های بالینی بیماران دو زوج در یک بردار و گرفتن بردار به عنوان ورودی و شباهت بیمار به عنوان یک خروجی، به یک مسئله رگرسیون تک ارزش تبدیل شده است. در مقایسه با روش k-NN متداول که فقط با توجه به نزدیکترین همسایگان، ما نه تنها از بیماران مشابه (قیاس مثبت) برای تولید فرضیه‌های تشخیصی استفاده می‌کنیم ، بلکه از بیماران بی تفاوت (قیاس منفی) برای رد فرضیه‌های تشخیصی استفاده می‌کنیم.

یافته‌ها: مدل‌های مبتنی بر شباهت بیمار بهتر از روشهای مبتنی بر یک و همه در مقابل K-NN هستند. نمره F-1 پیش بینی مبتنی بر قیاس مثبت برابر با ۰٫۶۹۸ است، به طور قابل توجهی بالاتر از نمرات مقدمات از ۰٫۳۶۸ تا ۰٫۶۶۱٫ هنگامی که از روش قیاس منفی برای اصلاح نتایج پیش بینی قیاس مثبت استفاده می‌شود، به ۰٫۷۰۳ افزایش می‌یابد. عملکرد این روش برای داده‌های بزرگتر امیدوار کننده است.

نتیجه گیری: مدل مبتنی بر شباهت بیمار پشتیبانی تصمیم گیری تشخیصی را ارائه می‌دهد که از روش‌های قبلی دقیق‌تر، تعمیم پذیر تر و قابل تفسیر است و مبتنی بر داده‌های ناهمگن و ناقص است. این مدل همچنین به عنوان یک برنامه جدید برای استفاده از داده‌های بزرگ بالینی از طریق فناوری هوش مصنوعی عمل می‌کند(شباهت بیمار برای پیش بینی تشخیصی).

TITLE: A patient-similarity-based model for diagnostic prediction

Abstract

Objective: To simulate the clinical reasoning of doctors, retrieve analogous patients of an index patient automatically and predict diagnoses by the similar/dissimilar patients.
Methods: We proposed a novel patient-similarity-based framework for diagnostic prediction, which is inspired by the structure-mapping theory about analogy reasoning in psychology. Patient similarity is defined as the similarity between two patients’ diagnoses sets rather than a dichotomous (absence/presence of just one disease). The multilabel classification problem is converted to a single-value regression problem by integrating the pairwise patients’ clinical features into a vector and taking the vector as the input and the patient similarity as the output. In contrast to the common k-NN method which only considering the nearest neighbors, we not only utilize similar patients (positive analogy) to generate diagnostic hypotheses, but also utilize dissimilar patients (negative analogy) are used to reject diagnostic hypotheses.
Results: The patient-similarity-based models perform better than the one-vs-all baseline and traditional k-NN methods. The f-1 score of positive-analogy-based prediction is 0.698, significantly higher than the scores of baselines ranging from 0.368 to 0.661. It increases to 0.703 when the negative analogy method is applied to modify the prediction results of positive analogy. The performance of this method is highly promising for larger datasets.
Conclusion: The patient-similarity-based model provides diagnostic decision support that is more accurate, generalizable, and interpretable than those of previous methods and is based on heterogeneous and incomplete data. The model also serves as a new application for the use of clinical big data through artificial intelligence technology.

 

    ثبت دیدگاه

      • دیدگاه های ارسال شده توسط شما، پس از تایید توسط تیم مدیریت در وب منتشر خواهد شد.
      • پیام هایی که حاوی تهمت یا افترا باشد منتشر نخواهد شد.
      • پیام هایی که به غیر از زبان فارسی یا غیر مرتبط باشد منتشر نخواهد شد.

    برای ارسال دیدگاه شما باید وارد سایت شوید.

    محصولات مشابه
    روش شبه طیفی فضای هیلبرت با هسته‌ی بازآفرین برای بررسی عددی مدل تشکیل مویرگ
    خـریـد محـصـول
    شناسایی و ارزیابی مهارکننده‌های قوی کرونا ویروس سندرم تنفسی خاورمیانه
    خـریـد محـصـول
    اولین انتقال شناخته شده فرد به فرد سندرم حاد تنفسی حاد کرونا ویروس ۲ (SARS-CoV-2)
    خـریـد محـصـول
    ملاحظاتی در خصوص تهیه داده‌های پرونده سلامت الکترونیک برای تحقیقات بالینی
    خـریـد محـصـول
    توسعه رجیستری تحقیقات بیماری‌های التهابی روده برگرفته از داده‌های مشاهداتی
    خـریـد محـصـول
    یک چارچوب مستقل برای جست و جوی EHR توزیعی کنترل شده (از نظر واژگان)
    خـریـد محـصـول
    پرونده سلامت الکترونیک خود را به بهشت نبرید، آن را به علم اهدا کنید
    خـریـد محـصـول
    انجام تحقیق با استفاده از پرونده سلامت الکترونیک در سیستم‌های چند بیمارستانی
    خـریـد محـصـول
    پرونده‌های الکترونیکی سلامت شخصی: از تحقیقات زیست پزشکی تا سلامت مردم
    خـریـد محـصـول
    روش‌ها و ابعاد ارزیابی کیفیت داده‌های پرونده‌های سلامت الکترونیک
    خـریـد محـصـول
    ثبت اختراع یا انتشار مقاله

    ثبت اختراع یا انتشار مقاله کدام اول باید انجام شود؟ پژوهشگران منابع مالی و غیر مالی بسیاری را صرف انجام تحقیقات و پژوهش ها میکنند و امکان دارد تعدادی از آنها تبدیل به دستاوردها و فناوری های نو گردد. محققان این نتایج را به سرعت در مقالات علمی ملی و بین المللی منتشر و به آن افتخار میکنند. اما باید مد نظر داشت، چنانچه دستاورد پژوهشی امکان تبدیل شدن به یک محصول یا فرآیند قابل استفاده و تولید در صنعت را داشته باشد، هر گونه انتشار عمومی از جمله مقاله باعث از دست رفتن شرط جدید بودن و در نتیجه عدم امکان ثبت فناوری به عنوان اختراع خواهد شد.

    در نتیجه محققان و پژوهشگران باید پیش از هرگونه افشاء عمومی آن دسته از نتایج تحقیقاتی که شرایط ثبت اختراع را دارا می باشد به صورت اظهارنامه اختراع در اداره مربوطه ثبت و سپس نسبت به انتشار آنها اقدام کنند. امکان دارد مراحل ثبت اختراع چندین ماه به طول بیانجامد که انتشار مقاله (و مانند آن) پس از تاریخ ثبت اظهارنامه اختراع مشکلی را در فرآیند ثبت اختراع بوجود نمی آورد.

    از آنجا که برخی دستاورد ها مانند روشهای تشخیص بیماری و نوآوری های مدیریتی قابلیت ثبت اختراع بین المللی و ملی را ندارند، محققان بدون نگرانی میتوانند انتشار در مقالات داخلی و خارجی را به عنوان اولین گزینه جهت کسب افتخار دست یابی به این قبیل پژوهشها انتخاب کنند.

    برو بالا