جستجو در مقالات منتشر شده


2 نتیجه برای داده‌کاوی

فرزاد ابراهیم زاده، ابراهیم حاجی زاده، مهدی بیرجندی، سهیلا فعلی، شیرین قاضی،
دوره 14، شماره 3 - ( 9-1397 )
چکیده


مقدمه و اهداف: افت تحصیلی در دانشجویان رشته پزشکی از اهمیت خاصی برخوردار است؛ چرا که در آینده می‌تواند سبب کاهش سطح علمی پزشکان شود. این مطالعه برای پیش‌بینی رخداد افت تحصیلی در دانشجویان پزشکی دانشگاه علوم پزشکی لرستان با استفاده از درخت رده‌بندی انجام شده است.
روش کار: در این مطالعه طولی، پرونده تحصیلی دانشجویان پزشکی ورودی 87-1378 دانشگاه علوم پزشکی لرستان به روش سرشماری انتخاب و تا شهریور 1395 از نظر افت تحصیلی پیگیری شدند. افت تحصیلی بر اساس وجود حداقل یکی از مؤلفه‌های معدل کل نامطلوب، طولانی شدن مدت تحصیل، مشروطی، انصراف از تحصیل، اخراج و مردودی در آزمون‌های جامع تعریف شد و برای پیشگویی آن از درخت رده‌بندی CRT و نرم‌افزار SPSS نسخه 22 استفاده شد.
یافته‌ها: میزان بروز تجمعی افت تحصیلی 4/26 درصد و شایع ترین مؤلفه‌های آن، طولانی شدن مدت تحصیل (7/21 درصد) و مشروطی (15 درصد) بوده است. احتمال افت تحصیلی در افراد دارای سابقه‌ی میهمانی در سایر دانشگاه‌ها 449/0، در افراد فاقد سابقه میهمانی، پذیرفته شده در ورودی‌هایی کمتر از 40 نفر و سهمیه قبولی مناطق 1 یا 3 220/0 و در افراد فاقد سابقه‌ی میهمانی، پذیرفته شده در ورودی‌هایی با تعداد حداقل 40 نفر و مذکر 456/0 بوده است.
نتیجه‌گیری: با توجه به شناسایی عوامل پیشگوی افت تحصیلی پیشنهاد می‌شود این افراد از ابتدای تحصیل به مراکز مشاوره یا استادان راهنمای آموزشی معرفی شوند و در ضمن قوانین میهمانی در سایر دانشگاه‌ها بازبینی شوند.
نسرین تلخی، نوشین اکبری شارک، زهرا رجب زاده، مریم سالاری، سید مسعود ساداتی، محمد تقی شاکری،
دوره 18، شماره 3 - ( 9-1401 )
چکیده

مقدمه و اهداف: شیوع و نرخ مرگ‌ومیر بالای بیماری کووید-19، علائم، اطلاعات جمعیت شناختی و بیماری‌های زمینه‌ای مؤثر در پیش‌بینی مرگ ناشی از آن را ضروری می‌سازد. لذا در این مطالعه قصد داریم به پیش‌بینی رفتار مرگ‌ومیر ناشی از کووید-19 در استان خراسان رضوی ‌بپردازیم.
روش کار: در این مطالعه داده‌های کامل 47460 نفر از بیماران بستری در بیمارستان‌های استان خراسان رضوی از 4 اسفند 1398 تا 21 شهریور 1400 جمع‌آوری شد. برای تشخیص بازماندگان و غیر بازماندگان ناشی از کووید-19 روش شبکه‌های عصبی و رگرسیون لوژستیک و برای مقایسه دو مدل از حساسیت، ویژگی، صحت پیش‌بینی و سطح زیر منحنی مشخصه عملکرد استفاده گردید.
یافته‌ها: کاهش سطح هوشیاری، سرفه، درصد اکسیژن خون کمتر از 93%، سن، سرطان، بیماری‌های مزمن کلیه، تب داشتن، سردرد داشتن، سیگاری بودن، و بیماری‌های مزمن خون به‌عنوان ده عامل مهم‌تر در پیش‌بینی مرگ شناسایی شدند. صحت مدل شبکه عصبی و رگرسیون لوژستیک به ترتیب برابر 89/90% و 83/67%درصد، همچنین حساسیت، ویژگی و سطح زیر منحنی راک در دو مدل به ترتیب (76/14%، 68/94%)، (91/99%، 85/30%) و (77/14%، 68/98%) بود.
نتیجه‌گیری: یافته‌های ما اهمیت برخی اطلاعات جمعیت شناختی، بیماری‌های زمینه‌ای و علائم بالینی را ارائه کرد. همچنین، مدل شبکه عصبی می‌تواند مرگ را با دقت بیشتری نسبت به مدل رگرسیون لوژستیک پیش‌بینی کند. بااین‌حال، تحقیقات پزشکی در این زمینه با به‌کارگیری سایر روش‌های یادگیری ماشین و قدرت بالای آن‌ها، نتایج کامل‌کننده‌ای به دنبال خواهد داشت.


صفحه 1 از 1     

کلیه حقوق این وب سایت متعلق به مجله اپیدمیولوژی ایران می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2024 , Tehran University of Medical Sciences, CC BY-NC 4.0

Designed & Developed by : Yektaweb