۳ نتیجه برای سیستم تصمیم‌یار بالینی
آزیتا یزدانی، رضا صفدری، رکسانا شریفیان، مریم زحمت‌کشان، مرجان قاضی سعیدی،
دوره ۱۴، شماره ۲ - ( ۳-۱۳۹۹ )
چکیده
زمینه و هدف: زمانیکه سیستم‌های تصمیم‌یار بالینی ایجاد شوند، به‌کارگیری راه حل‌هایی که بتواند استفاده از این سیستم‌ها در مقیاس بزرگ را فراهم کند، منجر به کاهش تولید هزینه‌های ناشی از ایجاد، نگهداری و اشتراک گذاری آن‌ها از تولید سیستم‌های متعدد جلوگیری میشود. در سال‌های اخیر یکی از رویکردهایی که با این هدف به صورت ترکیبی با سیستم‌های تصمیم‌یار استفاده میشود، رویکرد معماری سرویس‌گراست. هدف از انجام این پژوهش، بررسی نقش و اهمیت معماری سرویس‌گرا در ارایه معماری‌های مقیاس پذیر سیستم‌های تصمیم‌یار بالینی با تمرکز بر رویکردهای مختلف این معماری می‌باشد.
روش بررسی: مقاله ی حاضر از نوع مقاله ی مروری ساده است. پایگاه‌های الکترونیکی کتابشناختی IEEE Explore، Science Direct، Springer، Web of Science و Scopus بررسی گردید. کلمات کلیدی«معماری سرویس‌گرا» و «سیستم تصمیم‌یار بالینی» به عنوان کلمات کلیدی اصلی همراه با اصطلاحات مرتبط برای جستجو در این پایگاه‌ها استفاده شد.
یافتهها: رویکرد سیستم‌های تصمیم‌یار بالینی مبتنی بر معماری سرویس‌گرا مزایایی همچون تسهیل نگهداری دانش، کاهش هزینه و بهبود چابکی را به ارمغان می‌آورد. ارتباطات نقطه به نقطه، خط خدمات سازمانی، رجیستری خدمات، موتور راهنمای بالینی و موتور مبتنی بر قانون و service choreography and orchestration طرح‌های کلی معماری می‌باشند که در استفاده از سیستم‌های تصمیم‌یار بالینی مبتنی بر رویکرد معماری سرویس‌گرا مشهود هستند.
نتیجه‌گیری: معماری سرویس‌گرا به عنوان یک راه حل بالقوه برای ارایه پلتفرم‌های مقیاس‌پذیر سیستم‌های تصمیم‌یار بالینی است.
مصطفی شنبه زاده، هادی کاظمی آرپناهی، رئوف نوپور،
دوره ۱۶، شماره ۲ - ( ۳-۱۴۰۱ )
چکیده
زمینه و هدف: سرطان پستان یکی از رایج‌ترین و تهاجمی‌ترین بدخیمی‌ها در خانم‌ها می‌باشد. تشخیص به‌موقع سرطان پستان نقش مهمی در جلوگیری از پیشرفت این بیماری، اقدامات درمانی به‌موقع و در نتیجه کاهش میزان مرگ‌ومیر این بیماران دارد. یادگیری ماشین، قابلیت بالایی در تشخیص سریع و هزینه اثربخش بیماری‌ها دارد. هدف این مطالعه، طراحی سیستم تصمیم‌یار بالین (CDSS) Clinical Decision Support System بر اساس قوانین استخراج‌شده از الگوریتم منتخب درخت تصمیم با بهترین عملکرد به‌منظور تشخیص به‌موقع و مؤثر سرطان پستان است.
روش بررسی: داده‌های ۵۹۷ فرد مشکوک به سرطان پستان(۲۵۵ بیمار مبتلا و ۳۴۲ فرد سالم) به‌صورت گذشته‌نگر از پایگاه داده الکترونیکی بیمارستان آیت‌الله طالقانی شهر آبادان در قالب ۲۴ ویژگی عمدتاً سبک زندگی و سوابق پزشکی استخراج شد. پس از انتخاب مهم‌ترین متغیرها از طریق کای دو پیرسون و تحلیل واریانس یک‌طرفه(۰/۰۵>P)، عملکرد الگوریتم‌های منتخب داده‌کاوی شامل (Random Forest (RF)، J-۴۸، Decision Stump (DS)، Rep-Tree (RT و XG-Boost برای تشخیص سرطان پستان در بستر نرم‌افزار ۳.۴ Weka تحلیل شد. در نهایت سیستم تشخیصی سرطان پستان بر اساس بهترین مدل و از طریق زبان برنامه‌نویسی سی شارپ و چارچوب ۳.۵.۴ Dot Net Framework طراحی گردید.
یافتهها: ۱۴ متغیر شامل سابقه‌ی فردی سرطان پستان، سابقه‌ی نمونه‌برداری از سینه، سابقه‌ی رادیوگرافی از قفسه‌ی سینه، سابقه‌ی فشارخون، افزایش کلسترول خون LDL (low-density lipoprotein)، وجود توده در ربع فوقانی داخلی سینه، هورمون‌درمانی با استروژن، هورمون‌درمانی با استروژن-پروژسترون، سابقه‌ی خانوادگی سرطان پستان، سن، سابقه‌ی سرطان‌های دیگر، نسبت اندازه‌ی دور کمر به دور باسن و مصرف میوه و سبزی ارتباط معناداری را باکلاس خروجی در سطح ۰۵/۰>P نشان دادند. بر اساس نتایج حاصل از ارزیابی عملکرد الگوریتم‌های منتخب، مدل RF با میزان حساسیت، ویژگی، صحت و اندازه F به‌ترتیب برابر با ۰/۹۷، ۰/۹۹، ۰/۹۸ و ۰/۹۷۴ و ۰/۹۳۶ =(Area Under the Receiver Operator Characteristics (ROC) Curve (AUC عملکرد بالاتری نسبت به سایر الگوریتم‌های منتخب داشته است و به‌عنوان مدل برتر برای تشخیص سرطان پستان پیشنهاد شد.
نتیجه‌گیری: به‌نظر می‌رسد که استفاده از متغیرهای تعدیل‌پذیر مانند سبک زندگی و ویژگی‌های هورمونی-تولیدمثلی به‌عنوان ورودی الگوریتم RF برای طراحی CDSS بتواند با صحت بهینه موارد سرطان پستان را تشخیص دهد. به‌علاوه سیستم پیشنهادی به‌طور مؤثر در محیط‌های واقعی بالینی برای تشخیص سریع و مؤثر بیماری قابل اقتباس باشد.
سامان محمدپور، رضا ربیعی، الهام شاه بهرامی، کامیار فتحی سالاری، مریم خاکزاد، مصطفی لنگری زاده،
دوره ۱۶، شماره ۲ - ( ۳-۱۴۰۱ )
چکیده
زمینه و هدف: سرطان دومین عامل مرگ‌ومیر در جهان است که سالانه منجر به مرگ بیش از ۱۰ میلیون نفر در دنیا میشود. تشخیص زودرس، مدیریت و درمان صحیح این بیماری نقش مهمی در کاهش عوارض و مرگ‌ومیر دارد. یکی از ابزارهای حمایتی در تشخیص زودرس، مدیریت و درمان این بیماری، سیستم‌های تصمیم‌یار بالینی هستند که به دو دسته قاعده‌محور و غیرقاعده‌محور تقسیم‌بندی میشوند. سیستم‌های تصمیم‌یار قاعده‌محور برپایه راهنماهای بالینی ایجاد میشوند، درحالی‌که سیستم‌های تصمیم‌یار غیرقاعده‌محور از یادگیری ماشین بهره می‌گیرند. در این پژوهش اثرات سیستم‌های تصمیم‌یار به تفکیک قاعده‌محور و غیرقاعده‌محور، بر تشخیص، درمان و مدیریت سرطان سنجیده شد.
روش بررسی: مطالعه‌ی حاضر به‌روش مروری نظام‌یافته انجام شد که با جستجو در پایگاه‌های داده Web of Science، Scopus، IEEE Xplore و PubMED تا تاریخ ۲۰۲۱.۱۲.۳۱ صورت گرفت. پس از حذف موارد تکراری و ارزیابی یافتهها براساس معیار ورود و خروج، مطالعات مرتبط با هدف پژوهش انتخاب شدند. نحوه‌ی انتخاب مقالات براساس عنوان، چکیده و متن کامل بود. ابزار گرداوری داده فرم استخراج داده شامل سال انجام مطالعه، نوع مطالعه، سیستم درگیر در بدن، اندام درگیر در بدن، خدمت ارایه شده توسط سیستم تصمیم‌یار، نوع سیستم تصمیم‌یار، اثر مورد بررسی، شاخص مورد ارزیابی اثر و نمره حاصل از ارزیابی اثر بود. برای تحلیل داده‌ها از روش سنتز روایتی (Narrative synthesis) استفاده شد.
یافتهها: از مجموع ۷۶۸ مقاله، ۱۶ مقاله مرتبط با اهداف مطالعه شناسایی شد. اثرات مورد ارزیابی در دسته سیستم‌های تصمیم‌یار بالینی قاعده‌محور بر تنظیم دوز، شدت علایم سرطان، پیروی از راهنمای‌درمانی، زمان مراقبت، میزان کشیدن‌سیگار، میزان نیاز به شیمی‌درمانی و مدیریت‌درد بودند که این اثرات به جز مدیریت درد، در همه موارد معنی‌دار و مثبت گزارش شده بودند. اثرات مورد ارزیابی در دسته سیستم‌های تصمیم‌یار بالینی غیرقاعده‌محور بر تصمیمات تشخیصی‌ودرمانی، غربالگری، کنترل نوتروپنی‌تب‌دار (Neutropenic Fever) بودند که این اثرات به جز کنترل نوتروپنی‌تب‌دار، در همه‌ی موارد معنی‌دار و مثبت گزارش شده بودند.
نتیجه‌گیری: نتایج به‌دست آمده برای اثربخشی هر دونوع سیستم‌های تصمیم‌یار قاعده‌محور و غیرقاعده‌محور حاکی از اثرات مثبت و متفاوت این دو دسته بود. بنابراین استفاده از ترکیب آن‌ها در حیطه‌ی سرطان می‌تواند نتایج بسیار مفیدی به‌بار بیاورد.
