جستجو در مقالات منتشر شده


5 نتیجه برای یادگیری ماشین
مقایسه روش‌های مختلف یادگیری ماشین در تشخیص پرفشاری خون در بیماران دیابتی با و بدون در نظر گرفتن هزینه‌ها
مهدی تیموری، الهام ابراهیمی، سید محمد علوی نیا،
دوره 11، شماره 4 - ( 12-1394 )
چکیده

مقدمه و اهداف: بیماران دیابتی همواره در معرض ابتلا به پرفشاری خون هستند. هدف از این تحقیق طراحی یک مدل پیش‌بینی پرفشاری خون در میان افراد مبتلا به دیابت، مبتنی بر هزینه و با در نظر گرفتن توزیع این بیماری در جامعه بود، که تا حد ممکن عملکرد مناسبی داشته باشد.

روش کار: در این پژوهش تلاش شد تا با استفاده از روش‌های مختلف یادگیری ماشین، یک مدل پیش‌بینی مبتنی بر هزینه طراحی شود که تا حد ممکن بهترین عملکرد در پیش‌بینی افراد دیابتی در معرض خطر  پرفشاری خون را داشته باشد. از میان الگوریتم‌های داده‌کاوی، از الگوریتم‌های درخت تصمیم، ماشین بردار پشتیبانی، شبکه عصبی و نیز رگرسیون لجستیک استفاده  شد. برای انجام این پژوهش از داده‌های‌ مربوط به غربالگری بیماران دیابتی برای تشخیص پرفشاری خون در استان آذربایجان شرقی استفاده  شد.

یافته‌ها: افزایش فشار خون سیستول به میزان 130 میلی‌متر جیوه، فرد دیابتی را بیشتر در معرض پرفشاری خون قرار می‌دهد. با رویکرد غیر هزینه‌محور، به شاخص یودن حدود 68 درصد رسیدیم. زمانی که رویکرد هزینه‌ محور به کار بسته می‌شود، بیشترین شاخص یودن (11/47 درصد) مربوط به شبکه عصبی است، هر چند هدف در اینجا حداقل‌سازی هزینه است که در راستای این هدف، درخت تصمیم و رگرسیون لجستیک بهترین عملکرد را دارند.

نتیجه‏ گیری: در مسائل پیش‌بینی بیماری‌ها در جوامع، حساس به هزینه کردن روش‌ها و در نظر گرفتن توزیع واقعی بیماری در جامعه اهمیت بیش‌تری دارد تا این‌که تنها هدف، کمینه کردن تعداد خطاهای دسته‌بندی روی مجموعه داده‌ی موجود باشد.


تعیین عوامل خطرزا و ارایه مدل پیش‌آگهی آمبولی ریه بیماران بستری با استفاده از شبکه‌های بیزی
فرزانه فیض منش، علی اصغر صفائی،
دوره 14، شماره 3 - ( 9-1397 )
چکیده

مقدمه و اهداف: آمبولی ریه یک رویداد بالقوه کشنده و در عین حال شایع است که در سال‌های اخیر باعث افزایش تدریجی تعداد بستری‌های ناشی از آن در بیمارستان‌ها شده است. به همین دلیل، یکی از چالش برانگیزترین بیماری‌ها نزد پزشکان به حساب می‌آید. هدف اصلی از این پژوهش، گزارش یک پروژه تحقیقاتی به منظور مقایسه الگوریتم‌های مختلف داده‌کاوی برای انتخاب دقیق‌ترین مدل برای پیش‌بینی وقوع آمبولی ریه در بیماران بستری است که به فراهم کردن دانش مورد نیاز کادر درمانی در تصمیم‌گیری بهتر کمک می‌کند.

روش کار: در این پژوهش تلاش شد تا با استفاده از روش‌های مختلف یادگیری ماشین، یک مدل پیش‌بینی طراحی شود که بهترین عملکرد در پیش‌بینی احتمال وقوع آمبولی ریه در بیماران بستری در معرض خطر را داشته باشد. از میان الگوریتم‌های داده‌کاوی، از شبکه‌های بیزی و الگوریتم‌های درخت تصمیم J48، رگرسیون لجستیک و نیز بهینه‌سازی حداقل متوالی استفاده شد. داده‌های مورد استفاده تحقیق، عوامل خطرزا و سوابق گذشته مربوط به بیماران بستری بخش ریه بیمارستان شریعتی تهران بود.

یافته‌ها: بررسی‌ها صورت گرفته نشان می‌دهد که صحت و ویژگی در تمام مدل‌‌های پیش‌بینی از عملکرد مطلوبی برخوردار بوده است، و مدل بیزی در پیش‌بینی وقوع آمبولی ریه، بیشترین میزان حساسیت را داشت.

نتیجه‌گیری: یافته‌ها نشان می‌دهند اگر چه تفاوت کمی در عملکرد مد‌ل‌های پیش‌بینی وجود دارد، اما در این گونه داده‌ها برای پیش‌بینی وقوع آمبولی ریه در بیماران بستری، مدل شبکه بیزی ابزار مناسب‌تری است، که می‌تواند به‌عنوان روش حمایتی در کنار تصمیم‌های پزشکی قرار گیرد تا صحت پیش‌بینی بیماری‌ها را ارتقاء بخشد.
شناسایی علایم و بیماری‌های زمینه‌ای مرتبط با بیماری کووید-19 و پیش‌بینی وضعیت مرگ با کمک رگرسیون لوژستیک و شبکه‌های عصبی مصنوعی: یک رویکرد داده‌کاوی
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.

پیش‌بینی وقوع زایمان زودرس و تعیین عوامل خطر آن به‌صورت شخصی با استفاده از مدل یادگیری ماشینی تفسیرپذیر
رامین فرخی، سمانه حسین زاده، عباس حبیب اللهی، اکبر بیگلریان،
دوره 20، شماره 1 - ( 3-1403 )
چکیده
مقدمه و اهداف: شناسایی زنان بارداری که در معرض زایمان زودرس هستند و همچنین تعیین عوامل خطر موثر برآن، امری ضروری است که در سلامت نوزادان تاثیرگذار است. این مطالعه با هدف به‌کارگیری نوعی از مدل یادگیری ماشینی تفسیرپذیر برای پیش‌بینی زایمان زودرس انجام شد.
روش‌کار: این مطالعه به‌صورت مقطعی انجام شد و از داده‌های 149350 مورد تولد شهر تهران در سال 1399 از مجموعه داده‌ شبکه‌ مادران و نوزادان ایران (IMaN) استفاده گردید. در این مطالعه، عوامل مختلف وابسته به مادر و جنین مانند متغیرهای جمعیت‌شناختی مادر نوزاد، وضعیت سلامت و سوابق بیماری مادر، شرایط بارداری، زایمان و خطرات آن استفاده شد. پس از پیش‌پردازش و آماده‌سازی داده‌ها، از مدل‌های یادگیری ماشینی شبکه عصبی چندلایه، جنگل تصادفی و XGBoost برای پیش‌بینی وقوع زایمان زودرس استفاده گردید. مدل‌ها بر اساس معیارهای دقت، حساسیت، ویژگی و سطح زیر منحنی راک ارزیابی شدند. برای تحلیل داده‌ها از زبان برنامه‌نویسی پایتون نسخه0-10-3 استفاده شد.
یافته‌ها: 8/67 درصد از رخداد زایمان‌ها، زودرس بودند. بالاترین دقت پیش‌بینی (0/90) مربوط به الگوریتم XGBoost بود. در تفسیر خروجی مدل برای یک خانم باردار با مقادیر مشخص برای متغیرها، مهم­ترین متغیر، با امتیاز اهمیت 46 درصد، متغیر چندقلویی و پس از آن عوامل خطر زایمان، با امتیاز اهمیت 41 درصد بود و متغیرهای دیگر نظیر بیماری اعصاب و روان، پره اکلامپسی و بیماری قلبی عروقی در رده‌های بعدی اهمیت برای این فرد خاص بودند.
نتیجه‌گیری: استفاده از روش یادگیری ماشینی تفسیر‌پذیر توانست وقوع زایمان زودرس را پیش‌بینی نماید. این روش می‌تواند توصیه‌های پیشگیرانه مختص هر زن باردار را، مبتنی ‌بر عوامل خطر و با هدف جلوگیری از زایمان زودرس ارائه کند.

استفاده از یادگیری ماشین برای پیش بینی مقاومت ضد میکروبی در باکتریها
منیره رحیم خانی، مریم گیلانی،
دوره 20، شماره 1 - ( 3-1403 )
چکیده
مقاومت آنتی بیوتیکی در سال­های اخیر افزایش قابل ملاحظه­ای داشته و از طرفی دیگر الگوریتم­های یادگیری ماشینی (ML) به طور فزاینده­ای در تحقیقات پزشکی و مراقبت­های بهداشتی به کار می­روند.
در میان کاربردهای مختلف این روش‌های جدید، استفاده از آن‌ها در مبارزه با مقاومت ضد میکروبی (AMR) یکی از حیاتی‌ترین زمینه‌ها می­باشد، زیرا افزایش مقاومت به آنتی‌بیوتیک‌ها و مدیریت عفونت‌های مقاوم به چند دارو چالش‌های مهمی هستند.
هر دو ابزار یادگیری ماشین تحت نظارت و بدون نظارت با موفقیت برای پیش­بینی مقاومت آنتی بیوتیکی اولیه استفاده شده­اند و بنابراین از پزشکان در انتخاب درمان مناسب حمایت می­کنند.  یادگیری ماشین و هوش مصنوعی  (AI) در ارتباط با پیش‌بینی مقاومت ضد میکروبی از علوم امروزی بوده و برنامه نظارت ضد میکروبی (ASP) برای بهینه­سازی تجویز آنتی­بیوتیک و محدود کردن AMR بایستی اجرا شود.

صفحه 1 از 1     

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

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2026 , Tehran University of Medical Sciences, CC BY-NC 4.0

Designed & Developed by : Yektaweb