مروری بر یک سیستم پشتیبانی تصمیم گیری بالینی با استفاده از تئوری مجموعه های خشن و ماشین یادگیری برای پیش بینی بیماری

پیشرفت های فناوری تغییرات عمده ای در زندگی روزمره و به ویژه در حوزه بهداشت و درمان ایجاد کرده است. روش های تشخیصی سنتی به تدریج با مدل های مبتنی بر فناوری و سوابق پزشکی کاغذی بیماران جایگزین می شوند. هدف ما توسعه یک سیستم پشتیبانی تصمیم گیری بالینی خودکار (CDSS) با استفاده از آخرین فناوری ها و تکنیک های استخراج داده بود تا پیش بینی های پزشکی و ارائه خدمات بهداشتی را بهبود بخشد. رویکرد پیشنهادی ما بر بهبودهایی تاکید دارد که انتظارات بیماران، والدین و پزشکان را برآورده کند. ما یک چارچوب انعطاف پذیر برای شناسایی بیماری های هپاتیت، شرایط پوستی، بیماری های کبدی و اوتیسم در بزرگسالان توسعه دادیم و نتایج را به عنوان توصیه ها به بیماران ارائه کردیم. نوآوری این CDSS در ادغام نظریه مجموعه های زبر (RST) و تکنیک های یادگیری ماشین (ML) برای بهبود دقت و اثربخشی تصمیم گیری بالینی نهفته است.

کلیدواژه ها:

سیستم پشتیبانی تصمیم بالینی ، طبقه بندی بیماری ، ماشین ، طبقه بندی کننده یادگیری ، داده های پزشکی ، توصیه ، مجموعه ناهموار