جستجو در مقالات منتشر شده


3 نتیجه برای غلامزاده
مدل سازی تصمیم برای تشخیص و غربالگری سرطان اپی تلیال تخمدان
رضا صفدری، لیلا شاهمرادی، مرجان دانشور، المیرا پورترکان، مرسا غلامزاده،
دوره 12، شماره 1 - ( فروردین و اردیبهشت 1397 )
چکیده
زمینه و هدف: سرطان اپیتلیال تخمدان یکی از کشنده ترین انواع سرطانهای زنان می باشد. لذا هدف این مطالعه بررسی و استخراج فاکتورهای موثر در پیش بینی و تشخیص این نوع از سرطان در قالب مدل درخت تصمیم به منظور تسهیل تشخیص در حوزه ی سرطان تخمدان است.
روش بررسی: پژوهش حاضر از نوع مطالعه ی توصیفی توسعه ای است. ابزار اصلی پژوهش، چک لیستی براساس اطلاعات پرونده ها، منابع معتبر علمی، مرور مطالعات منتشر شده و نظر خبرگان بود. به منظور تعیین روایی محتوایی چک لیست از روش CVR استفاده شد. سپس، چک لیست با معیار لیکرت سه گزینه ای برای نظر سنجی در اختیار خبرگان این رشته قرار گرفت. در نهایت به منظور طراحی درخت تصمیم، پس از تجزیه و تحلیل نتایج به دست آمده از نظرسنجی خبرگان، مدل نهایی براساس این نتایج توسعه یافت. 
یافته ها: عناصر داده ای درخت تصمیم براساس نظرسنجی متخصصان، گایدلاین ها و دستورالعملهای تشخیص و غربال گری مرتبط با سرطان تخمدان به دست آمد. گره های برگ در درخت مذکور شامل انواع تومورمارکرها، پیگیری، اقدامات درمانی و ارجاعات می باشند. صحت درخت تصمیم توسط خبرگان تایید شد. ROMA(CA125+HE4) ،CA19-9 و CEA مهمترین تومور مارکرهایی است که براساس مدل تصمیم به دست آمد.
نتیجه گیری: مدلهای تصمیم بالینی می توانند با ایجاد یکپارچگی در اطلاعات بیمار، به ارایه پیشنهادهای تشخیصی و درمانی خاص بپردازند. مدل طراحی شده در این پژوهش می تواند با تسهیل تصمیم گیری، تشخیص بیماری سرطان اپیتلیال تخمدان را به طور قابل ملاحظه ای بهبود بخشد.

مروری بر ویژگی ها و محتوای برنامه های کاربردی حوزه مراقبت از پوست
ناهید عین الهی، رضا صفدری، مرسا غلامزاده، الهام حق شناس، حوریه ماسوریان،
دوره 14، شماره 4 - ( مهر و آبان 1399 )
چکیده
زمینه و هدف: برنامه ­های سلامت همراه امروزه در حوزه­ های مختلفی به ویژه در حوزه­‌ی بیماریهای پوستی به عنوان ابزارهایی هم برای کمک به بیماران و هم برای کمک به پزشکان در تشخیص و درمان توسعه یافته­ اند. لذا هدف اصلی این پژوهش مروری بر ویژگی­ ها و محتوای اپلیکیشن­ های حوزه ­ی مراقبت از پوست است.
روش بررسی: به صورت بررسی تطبیقی و با روش توصیفی-تشریحی است. اپلیکیشن ها، در حوزه­ ی درماتولوژی براساس معیارهای ورود که شامل اپلیکیشن هایی که در دو فروشگاه GooglePlay و AppStore  بیش از ۱۰۰ بار دانلود شده بودند یا در مطالعات در حوزه­ ی تشخیص، درمان، مدیریت، مشاور از راه دور، یا خودمراقبتی در حوزه های مختلف بیماری های پوستی طراحی شده بودند و معیارهای خروج شامل اپلیکیشن­هایی که قبل از سال ۲۰۱۰ تولید شده بودند و مواردی که به تخصصهای پزشکی غیر از dermatology مربوط می­شدند، جستجو شدند. برای مقایسه­ ی بهتر، ویژگی­ های مختلفی بر اساس مرور متون و مشاوره با متخصصان از لحاظ ویژگی برنامه برای مقایسه و دسته ­بندی در نظر گرفته شد. در مرحله­ ی بعد اپلیکیشن های شناسایی شده براساس معیارهای مختلف بررسی و با هم مقایسه شدند.
یافته ها: در نتیجه­ ی جستجو، در مجموع ۳۳ اپلیکیشن براساس معیارهای در نظر گرفته شده، شناسایی شدند. از این میان، ۳۳/۳% از این تعداد در حوزه­ ی آموزشی و سپس ۲۴/۲% به حوزه­ی خودمراقبتی اختصاص داشتند. برنامه­ های مورد بررسی در نه حوزه­ ی مختلف در رابطه با بیماریها دسته­بندی و مقایسه شدند که ۶۱% از اپلیکیشن ها انواع مختلف بیماری های پوستی را پوشش می­دادند.
نتیجه گیری: یافته­ ها نشان داد که بیشترین کاربرد اپلیکشن های مورد بررسی در حوزه ­ی آموزش و خودمراقبتی بوده است که نشان­دهنده­ی تسهیل امر آموزش و مراقبت­های ابتدایی توسط بیمار و مراقبان وی به کمک فناوری اطلاعات و کاربرد موفق حوزه  mhealth است. همچنین با بررسی اپلیکیشن ها، کاربردی بودن اپلیکیشن های تخصصی به خوبی مشخص شد، هرقدر اپلیکیشن­ ها تخصصی­ تر بودند، آیتم­های هوشمند بیشتری در آن­ها تعبیه شده بود؛ از این­روبا استفاده از قابلیت های سلامت همراه در این حوزه، می­توان تلاش کرد تا اپلیکیشن ها بیش از گذشته هوشمند شوند.

کلاسه بندی تصاویر رادیولوژی قفسه سینه به منظور شناسایی بیماران مبتلا به کووید 19 با بهره گیری از تکنیک‌های یادگیری ژرف
مرسا غلامزاده، سید محمد ایوب زاده، هدا زاهدی، شراره رستم نیاکان کلهری،
دوره 15، شماره 3 - ( مرداد و شهریور 1400 )
چکیده
زمینه و هدف: با توجه به اهمیت بالای تصاویر رادیولوژی برای شناسایی بیماران کووید ۱۹، ایجاد مدلی مبتنی بر یادگیری عمیق از اهداف اصلی این پژوهش است.
 روش بررسی: از ۱۵۱۵۳ تصویر موجود از تصاویر قفسه سینه مربوط به افراد سالم، مبتلا به کووید ۱۹ و مبتلا به پنومونی در مخزن داده‌های سایت Kaggle به‌عنوان داده‌های این پژوهش استفاده شد. پیش پردازش داده‌ها شامل نرمال‌سازی تصاویر و تجمیع برچسب تصاویر و دسته‌بندی آنها  به سه دسته‌ی آموزش، اعتبارسنجی و تست می‌شد. سپس با استفاده از زبان پایتون در کتابخانه‌ی fastAI مبتنی بر تکنیک کانولوشن (CNN) و براساس چهار معماری (ResNet ,VGG MobileNet ,AlexNet)، ۹ مدل از طریق روش یادگیری انتقالی برای تشخیص افراد سالم از افراد بیمار، آموزش داده شد. در نهایت، میزان عملکرد این مدل‌ها با شاخص‌هایی چون صحت، حساسیت و ویژگی، و F-Measure ارزیابی شد.
یافته‌ها: از بین ۹ مدل ایجاد شده، مدل ResNet۱۰۱ دارای بیشترین توان تشخیص موارد مبتلا به کرونا از سایر موارد با شاخص حساسیت ۰/۹۵/۲۹ بود. دیگر مدل‌های به کار گرفته شده، صحتی بیش از ۹۶% در تشخیص درست موارد مختلف تصاویر تست از خود نشان دادند. مدل ResNet۱۰۱ توانست صحتی معادل ۷۴/۹۸/۰ در تشخیص بین موارد سالم و مبتلا از خود نشان دهد.
نتیجه گیری: میزان صحت به دست آمده، نشان‌دهنده‌ی عملکرد دقیق مدل پیش بینی در تشخیص کووید ۱۹ می‌باشد. بنابراین با پیاده‌سازی یک برنامه کاربردی براساس مدل توسعه‌یافته می‌توان به پزشکان در تشخیص دقیق و زودهنگام موارد مبتلا یاری رساند.

صفحه 1 از 1     

کلیه حقوق این وب سایت متعلق به پیاورد سلامت می باشد.

طراحی و برنامه نویسی: یکتاوب افزار شرق

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

Designed & Developed by : Yektaweb