روش موجودیت محور چند سطحی جهت سیستم های پشتیبان تشخیص پزشکی با استفاده از فناوری معنایی در زمینه تشخیص بیماری های با علامت مشترک درد قفسه سینه

سال انتشار: 1395
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 121

فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JHBMI-3-4_004

تاریخ نمایه سازی: 9 مرداد 1403

چکیده مقاله:

مقدمه: سیستم های پشتیبان تصمیم گیری، همراه با فناوری وب معنایی رویکردی نوین جهت کمک به پزشکان در تشخیص انواع بیماری ها ایجاد می کنند. از طرفی، هستی شناسی پزشکی یک مدل دانش از دامنه بالینی شامل تمام مفاهیم مرتبط به تشخیص، درمان، روش های بالینی و داده های بیمار است. روش: این پژوهش که از نوع توسعه ای-کاربردی می باشد و سیستمی جهت تشخیص بیماری در حوزه های مختلف پزشکی با یک علامت مشترک درد قفسه سینه طراحی شده است. سیستم پیشنهادی انواع علائم، تست های تشخیصی، همچنین ماهیت متداخل بیماری را مبنی بر اینکه یک بیماری می تواند به عنوان یک عنصر تشخیصی از بیماری دیگر باشد را مورد توجه قرار داده و با استفاده از نرم افزار پروتیج و زبان برنامه نویسی مبتنی بر قانون جنا داده های واقعی بیماران بیمارستان شفا کرمان را مورد بررسی قرار داده است. نتایج: برای ارزیابی روش پیشنهادی، نتایج به دست آمده با روش های کلاسیک و چند سطحی از لحاظ تشخیص بیماری و تعداد قوانین مورد نیاز مقایسه شده است که روش پیشنهادی بر خلاف روش کلاسیک قابلیت تشخیص بیماری در داخلی ترین سطح را داشته و همچنین بر خلاف روش چند سطحی تنها با هفت قانون در بدترین شرایط (افزایش سطوح بیماری متداخل) توانایی تشخیص بیماری در حوزه های مختلف با علامت مشترک درد قفسه سینه را دارا می باشد. نتیجه گیری: روش تشخیص موجودیت محور چندسطحی به کمک فناوری معنایی، ابزاری کارا جهت سیستم های تشخیص پزشکی می باشد.

نویسندگان

مریم نوروززاده راوری

دانشجوی ارشد طراحی و تولید نرم افزار،گروه فن آوری اطلاعات، دانشکده فنی و مهندسی ، دانشگاه آزاد اسلامی، واحد کرمان، کرمان، ایران

وحید ستاری نائینی

Ph.D. in Computer Engineering, Assistant Professor, Computer Engineering Dept., Faculty of Engineering, Shahid Bahonar University of Kerman, Kerman, Iran

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Payne TH. Computer decision support systems. Chest ۲۰۰۰; ۱۱۸(۲): ۴۷-۵۲ ...
  • Faruji A. Intelligent decision support systems [dissertation]. Mashhad: Payam-e Noor ...
  • Berners-Lee T, Hendler J, Lassila, O. The semantic web. Scientific ...
  • Talebian M. Data retrieval for semantic web.[Thesis].Tehran:Shahid beheshti University of ...
  • Javanmardi S. Access control model for semantic web environment [dissertation]. ...
  • Rodríguez-González A, Alor-Hernández G. An approach for solving multi-level diagnosis ...
  • Kahn CE Jr. Transitive closure of subsumption and causal relations ...
  • Podgorelec V, Grašič B, Pavlič L. Medical diagnostic process optimization ...
  • Dixon BE, Simonaitis L, Goldberg HS, Paterno MD, Schaeffer M, ...
  • Riaño D, Real F, López-Vallverdú JA, Campana F, Ercolani S, ...
  • Zhang X, Hu B, Ma X, Moore P, Chen J. ...
  • Ebrahiminejad M, Hassanzadeh S, Jalali M. Ontology-based anti-diabetic drug recommender ...
  • Torshizi AD, Zarandi MH, Torshizi GD, Eghbali K. A hybrid ...
  • Sadoughi F, Sheikhtaheri A. Applications of artificial intelligence in clinical ...
  • Lab Tests Online. [cited ۲۰۱۷ Jun ۸]. Available https://labtestsonline.org/ ...
  • Protégé. [cited ۲۰۱۷ Jun ۸]. Available http://protege.stanford.edu/ ...
  • Jena Ontology API. [cited ۲۰۱۷ Jun ۸] .Available https://jena.apache.org/index.html ...
  • نمایش کامل مراجع