پیشبینی میزان مرگومیر بیماران مبتلا به نارسایی قلبی با استفاده از اطلاعات بالینی آنها توسط الگوریتمهای یادگیری ماشین
- سال انتشار: 1401
- محل انتشار: هفدهمین کنفرانس علوم و مهندسی کامپیوتر و فناوری اطلاعات
- کد COI اختصاصی: CECCONF17_027
- زبان مقاله: فارسی
- تعداد مشاهده: 654
نویسندگان
بخش مهندسی زیست-پزشکی، دانشکده مهندسی شیمی، دانشگاه تربیت مدرس، تهران، ایران
چکیده
بیماری های قلبی عروقی سالانه حدود ۱۷ میلیون نفر را در سراسر جهان میکشند و عمدتا به صورت سکته و نارسایی قلبی ظاهر می شوند. نارسایی قلبی (HF) زمانی اتفاق میافتد که قلب نتواند خون کافی برای پاسخگویی به نیازهای بدن پمپاژ کند. سوابق پزشکی موجود از بیماران که شامل، علائم کیفی بیمار، ویژگیهای بدنی و مقادیر آزماشگاهی بالینی میباشد را میتوان برای تجزیه وتحلیلهای آماری استفاده کرد تا الگوها و روابط بین عوامل مختلفی را که پزشکان نمیتوانند متوجه شوند، استخراج نمود. یادگیری ماشین میتواند مرگ ومیر بیماران را از روی داده های آنها پیشبینی کند و همچنین مهمترین ویژگیها را در میان مواردی که در پرونده پزشکی آنها گنجانده شده است، مشخص کند. در این پژوهش ما بااستفاده از پایگاه دادهای متشکل از اطلاعات ۲۹۹ بیمار مبتلا به نارسایی قلبی همراه با برخی از مشخصات بالینی آنها و اعمال الگوریتم های یادگیری ماشین، میزان مرگ و میر بیماران را پیشبینی کردهایم. همچنین مهمترین عوامل در مرگ ومیر بیماران را نیز مشخص کردهایم. نتایج بررسی های ما و همچنین اعمال مدلهای مختلف یادگیری ماشین نشان داد که این روش پتانسیل بالایی در شناسایی ریسک مرگ مبتلایان به بیماریهای قلبی و عروقی را دارا است. با توجه به نتایج، از این روش به عنوان به عنوان یک یک ابزار مفید و همچنین یک دستیار کارآمد برای پزشکان استفاده کرد. در این پژوهش الگوریتم CatBoost با دقت نزدیک به ۹۰ درصد بهترین علمکرد را از خود نشان داد.کلیدواژه ها
هوش مصنوعی، یادگیری ماشین، بیماریهای قلبی عروقی، پیشبینی مرگومیر بیماران، الگورتیم CatBoostمقالات مرتبط جدید
- توسعه مدل های یادگیری چندعاملی برای هماهنگی خودمختار در سیستم های سایبری-فیزیکی با بهره گیری از تقویت یادگیری عمیق چندعاملی
- پیش بینی تطبیقی احساسات در گفتار چند زبانه با استفاده از مدل های ترنسفورمر چندوجهی و یادگیری انتقالی
- معماری های اصلی شبکه های عصبی عمیق و مقایسه آنها
- Beyond Counsel: The Role of Artificial Intelligence in Transforming Legal Practice and Justice Access
- معماری بهینه برای شبکه حسگر بیسیم با بیشترین کاهش انرژی
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.