عنوان فارسی مقاله:مدیریت کلان داده(بیگ دیتا) در برهمکنش دارو-دارو: یک رویکرد یادگیری عمیق مدرن برای مراقبت های بهداشتی هوشمند
چکیده
تشخیص و طبقهبندی تداخلات دارو-دارو (DDI) از دادههای موجود از اهمیت بالایی برخوردار است زیرا گزارشهای اخیر نشان میدهد که DDI یکی از دلایل اصلی شرایط اکتسابی در بیمارستان و بستری مجدد است و همچنین برای مراقبتهای بهداشتی هوشمند ضروری است. بنابراین، برای جلوگیری از تداخلات دارویی نامطلوب، داشتن دانش به روز در مورد DDI ضروری است. این دانش را میتوان با استفاده از تکنیکهای پردازش متن در ادبیات پزشکی منتشر شده در قالب «دادههای بزرگ» استخراج کرد، زیرا هر زمان که یک تداخل دارویی بررسی میشود، معمولاً در مجلات مراقبتهای بهداشتی و فارماکولوژی بالینی گزارش و منتشر میشود. با این حال، استخراج خودکار فعل و انفعالات انجام شده بین داروها بسیار مهم است، زیرا ادبیات پزشکی در حجم بسیار زیادی منتشر می شود، و خواندن و جمع آوری تمام گزارش های DDI بررسی شده از این داده های بزرگ برای متخصصان مراقبت های بهداشتی غیرممکن است. برای جلوگیری از این روش زمانبر، تکنیکهای استخراج اطلاعات (IE) و استخراج رابطه (RE) که به طور عمیق در پردازش زبان طبیعی (NLP) مورد مطالعه قرار گرفتهاند، میتوانند بسیار امیدوارکننده باشند. از سال ۲۰۱۱، تحقیقات زیادی در این زمینه خاص گزارش شده است، و رویکردهای زیادی وجود دارد که پیادهسازی شدهاند که میتوانند در متون زیست پزشکی نیز برای استخراج اطلاعات مربوط به DDI اعمال شوند. یک مجموعه معیار نیز برای پیشبرد وظایف استخراج DDI به صورت عمومی در دسترس است. پیشرفته ترین پیاده سازی های فعلی برای استخراج DDI ها از متون زیست پزشکی، از ماشین های بردار پشتیبان (SVM) یا سایر روش های یادگیری ماشینی استفاده می کنند که بر روی ویژگی های تعریف شده دستی کار می کنند و ممکن است دلیل دقت و یادآوری کم باشد. تاکنون در این حوزه به دست آمده است. تکنیک های مدرن یادگیری عمیق نیز برای استخراج خودکار DDI ها از متون علمی به کار گرفته شده اند و ثابت کرده اند که برای پیشرفت وظایف استخراج DDI بسیار امیدوارکننده هستند. به این ترتیب، بررسی تکنیکهای یادگیری عمیق برای استخراج و طبقهبندی DDIها به منظور استفاده از آنها در حوزه مراقبتهای بهداشتی هوشمند مرتبط است. ما یک روش مبتنی بر شبکه عصبی عمیق (SEV-DDI: شدت-تقابل دارو-دارو) با چند واحد/لایه یکپارچهتر برای دستیابی به دقت و دقت بالاتر پیشنهاد کردیم. پس از عملکرد موفقیتآمیز سایر روشها در کار طبقهبندی DDI، یک قدم جلوتر رفتیم و از روشها در یک کار تحلیل احساسات برای بررسی شدت یک برهمکنش استفاده کردیم. توانایی تعیین شدت DDI برای سیستم های پشتیبانی تصمیم گیری بالینی در تصمیم گیری دقیق تر و آگاهانه تر بسیار مفید خواهد بود و ایمنی بیماران را تضمین می کند(مدیریت کلان داده در برهمکنش دارو).
- لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
- همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
- ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
- در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.