light box
امتیاز 2.58 مدیریت کلان داده(بیگ دیتا) در برهمکنش دارو-دارو">

نوع فایل : word
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش : 24
تعداد کلمات : 8800
مجله : big data and cognitive computing
انتشار : 2022
ترجمه متون داخل جداول : ترجمه شده است
درج جداول در فایل ترجمه : درج شده است
منابع داخل متن : به صورت فارسی درج شده است
کیفیت ترجمه : طلایی
دسته بندی :
برچسب ها : ، ، ، ، ، ، ، ، ، ، ،

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).

Title: Big Data Management in Drug–Drug Interaction: A Modern Deep Learning Approach for Smart Healthcare

Abstract

 The detection and classification of drug–drug interactions (DDI) from existing data are of high importance because recent reports show that DDIs are among the major causes of hospitalacquired conditions and readmissions and are also necessary for smart healthcare. Therefore, to avoid adverse drug interactions, it is necessary to have an up-to-date knowledge of DDIs. This knowledge could be extracted by applying text-processing techniques to the medical literature published in the form of ‘Big Data’ because, whenever a drug interaction is investigated, it is typically reported
and published in healthcare and clinical pharmacology journals. However, it is crucial to automate the extraction of the interactions taking place between drugs because the medical literature is being published in immense volumes, and it is impossible for healthcare professionals to read and collect all of the investigated DDI reports from these Big Data. To avoid this time-consuming procedure, the Information Extraction (IE) and Relationship Extraction (RE) techniques that have been studied in depth in Natural Language Processing (NLP) could be very promising. Since 2011, a lot of research has been reported in this particular area, and there are many approaches that have been implemented that can also be applied to biomedical texts to extract DDI-related information. A benchmark corpus is also publicly available for the advancement of DDI extraction tasks. The current state-of-the-art implementations for extracting DDIs from biomedical texts has employed Support Vector Machines (SVM) or other machine learning methods that work on manually defined features and that might be the cause of the low precision and recall that have been achieved in this domain so far. Modern deep learning techniques have also been applied for the automatic extraction of DDIs from the scientific literature and have proven to be very promising for the advancement of DDI extraction tasks. As such, it is pertinent to investigate deep learning techniques for the extraction and classification of DDIs in order for them to be used in the smart healthcare domain. We proposed a deep neural network-based method (SEV-DDI: Severity-Drug–Drug Interaction) with some further-integrated units/layers to achieve higher precision and accuracy. After successfully outperforming other methods in the DDI classification task, we moved a step further and utilized the methods in a sentiment analysis task to investigate the severity of an interaction. The ability to determine the severity of a DDI will be very helpful for clinical decision support systems in making more accurate and informed decisions, ensuring the safety of the patients.

      دیدگاهها بسته است.

      محصولات مشابه
      کمبود(نقص) توجه و علائم ADHD در بزرگسالان مبتلا به بیماری فابری – یک مطالعه آزمایشی
      خـریـد محـصـول
      مرزهای جدید در مدیریت سرطان رکتوم اولیه و پیشرفته
      خـریـد محـصـول
      ریسک میوکاردیت و پریکاردیت در بزرگسالان جوان به دنبال واکسیناسیون mRNA COVID-19
      خـریـد محـصـول
      بروز میوکاردیت و پریکاردیت در بیماران واکسینه نشده پس از کووید-۱۹
      خـریـد محـصـول
      الگوریتم ازدحام آفتاب پرست کارآمد برای مسئله توزیع بار اقتصادی
      خـریـد محـصـول
      فرآیند بازآفرینی شهری: مورد یک مجتمع مسکونی در حومه رم، ایتالیا
      خـریـد محـصـول
      رابطه پویا بین شاخص سهام و قیمت دارایی: تجزیه و تحلیل بلندمدت
      خـریـد محـصـول
      تشخیص بیماری پوسیدگی طوقه در گندم در شرایط محیطی کنترل شده
      خـریـد محـصـول
      بکارگیری بهینه سازی برای حمایت از مدیریت تطبیقی آب رودخانه ها
      خـریـد محـصـول
      ارزیابی تأثیر آموزش زیست محیطی بر رفتار سازگار با محیط زیست
      خـریـد محـصـول
      ثبت اختراع یا انتشار مقاله

      در اولین مرحله از شروع یک تحقیق جدید نیاز است منابع مختلفی جستجو شود تا جدید بودن ایده مورد بررسی قرار گیرد. یکی از بهترین منابع جهت جستجو، لیست اختراع های ثبت شده است. پایگاه های جستجوی پتنت به محقق کمک میکند پیشینه تحقیق خود را مورد بررسی قرار دهد تا مطمئن شود کار تکراری انجام نمیدهد. سامانه جستجوگر مالکیت فکری دارکوب به تازگی از پایگاه جستجو علائم تجاری خود نیز رونمایی کرده است که دارای امکانات تخصصی فراوانی می باشد.

      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